Daily Archives: septiembre 10th, 2017

(8/12) Oftalmología Basada Evidencia: Estadística para no estadísticos 1

septiembre 10th, 2017 Posted by General 0 comments on “(8/12) Oftalmología Basada Evidencia: Estadística para no estadísticos 1”

Con las 2 próximas entradas quiero facilitar al lector del blog no familiarizado con la Estadística algunos conocimientos básicos entorno a ella.

El objetivo de la Bioestadística inferencial es obtener conclusiones útiles para hacer deducciones sobre los estados de Salud de Poblaciones, basándose en la información obtenida de Muestras de Pacientes representativas de esas Poblaciones.

 

LA ASOCIACIÓN NO IMPLICA CAUSALIDAD

El hecho de que 2 variables estén asociadas no tiene por qué indicarnos que una sea Causa de la otra. Bradford-Hill definió unos Criterios de Causalidad para reconocer que una variable sea la Causa de otra a partir de la Bioestadística:

a) Criterios de Validez Interna del Estudio:

– Fuerza de Asociación: cuanto mayor sea la relación entre ambas variables, mayor es la probabilidad de que una sea la Causa de la otra. Existen medidores de la fuerza de asociación: Riesgo Relativo, Odds Ratio, Coeficiente de correlación de Pearson..

– Secuencia Temporal: la Causa debe preceder al Efecto.

– Efecto Dosis-Respuesta: Cuanto mayor sea la dosis o el tiempo de exposición a la Causa, mayor debe ser el Efecto.

b) Criterios de Coherencia Científica: 

– Consistencia: Los resultados de un estudio deben mantenerse constantes y ser reproducibles por cualquier investigador en cualquier lugar.

– Plausibilidad biológica: La relación Causal sugerida debe mantener la línea de los principios científicos aceptados en el momento.

– Especificidad de asociación y analogía: Cierta especificidad (una causa conduce a un único efecto) aumenta la verosimilitud de la relación Causal. Con analogía, nos referimos a que asociaciones causales similares pueden producir enfermedades similares.

– Evidencia experimental: No siempre es posible realizar el estudio necesario, pero es la prueba más sólida de Causalidad. En el caso de que no se pueda acceder a un ensayo clínico, hay quienes lo interpretan este punto en el sentido de que si un factor produce un efecto, éste debería cesar cuando desaparece el factor.

c) Otras:

– Descarte de explicaciones alternativas: para ello hay que garantizar la ausencia de sesgos, factores de confusión y el azar en los estudios realizados.

– Criterio de independencia: aunque se haya detectado algún factor de confusión en la asociación este hecho no descarta enteramente la relación de Causalidad.

– Calidad de la Evidencia: Es por ello tan importante el que basemos nuestras recomendaciones de práctica clínica en la mayor Evidencia Científica posible.

Cause and Effect Concept

 

 

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN

Cuando sabemos los datos de una determinada Variable para una Muestra representativa de una Población en cuanto a su Tendencia Central (que nos informa sobre los valores centrales) y Dispersión (cómo de agrupados o dispersos están esos valores), sabremos el comportamiento de dicha Variable para esa Población.

a) Medidas de Tendencia Central: 

MEDIA:

– Es la suma de los valores dividida por el número de valores.

– Se usa en distribuciones normales ó gaussianas, que son la que con más frecuencia se observan en la realidad y que siguen una distribución simétrica en campana de Gauss alrededor de un parámetro.

– No es recomendable su uso en distribuciones muy asimétricas donde valores muy altos o muy bajos puedan «arrastrarla» a la cola de esos valores extremos.

MEDIANA:

– Es el valor de la variable que deja el mismo número de observaciones por encima y por debajo de su valor.

– Se usa cuando la variable no sigue una distribución normal o gaussiana, presentando valores muy extremos y/o asimétricos.

– Coincide con el Percentil 50.

 

b) Medidas de Dispersión:

DESVIACIÓN ESTÁNDAR:

– Se usa para parámetros que siguen una distribución normal o gaussiana e indica cómo de agrupados o dispersos se encuentran los datos de la muestra entorno a los valores centrales estudiados antes.

– Cuanto mayor sea la Desviación Estándar, mayor será la variabilidad de los datos de la muestra.

– Un rango de 1 Desviación Estándar (+/- 1 DS) arriba y abajo de la Media englobaría al 68,2% de los valores, 2 Desviaciones Estándar (+/- 2 DS) englobaría al 95,4% y 3 Desviaciones Estándar (+/- 3 DS) englobaría al 99,7% de los valores de la muestra.

FullSizeRender

 

Si tienes alguna pregunta, duda o comentario puedes realizármela en nuestro muro de Facebook:

Captura-de-pantalla-2013-07-06-a-las-21.31.45

 

Imágenes: statistically-funny.blogspot.com, JessicaMaes.com

Buscar

Calendario

septiembre 2017
L M X J V S D
« jul   oct »
 123
45678910
11121314151617
18192021222324
252627282930