VIDEO DE BIOESTADISTICA.

 

BIBLIOGRAFIA.

 

Lic. Salvador L. Reyes MEd. EL AZAR Y LA INCERTUDUMBRE EN LA ESTADÍSTICA Año III, No 002, abril-Junio, 2000.

Rosa M. Lam Díaz. Instituto de Hematología e Inmunología. La Habana, Cuba.

Lic. André Chocó Unidad de Investigación Revista Científica Mayo Agosto 2017 Número 9 Volumen 2. ISSN 2415-251X.

https://www.researchgate.net/profile/Monica_Balzarini3/publication/283491258_Introduccion_a_la_bioestadistica_aplicaciones_con_InfoStat_en_agronomia/links/5654bf8e08ae4988a7b070c3/.

MANTEROLA, C. 2016.Estudios observacionales. los diseños utilizados con mayor frecuencia en investigación clínica. Int. J. Morphol., 32(2):634-645, 2014.

SEGURA C. 2003.Diseños cuasiexperimentales. Facultad Nacional de Salud Pública. Universidad de Antioquia Julio de 2003.

 ZURITA C. et al. Estudios experimentales: diseños de investigación para la evaluación de intervenciones en la clínica.  Rev Alerg Mex. 2018;65(2):178-186

QUEVEDO R. Estadística aplicada a la investigación en salud. la prueba de la hipótesis. Facultad de medicina, universidad de Chile. Año XI, No. 7 Jul 2011.

IBERE. Acerca de la probabilidad Condicional. Hipótesis de una investigación en salud.24 noviembre de 2012.

SILVA A.. Medicina intensiva. Actualización en metodología en medicina intensiva. Vol., 42, Issue 9, December 2018, Pp. 541-546.

DISEÑOS DE ENSAYOS CLÍNICOS.

 

Estudios observacionales.

Los estudios observacionales corresponden a diseños de investigación cuyo objetivo es “la observación y registro” de acontecimientos sin intervenir en el curso natural de estos. La elección del diseño de un estudio es una de las etapas más complejas en el proceso de investigación; pues en este, se han de tomar en consideración una serie de hechos como la información previa que existe respecto del tema, el o los diseños utilizados previamente. De este modo, los estudios se dividen en: Estudios observacionales y estudios experimentales:

Los estudios observacionales, son aquellos en los que no se controla la asignación del paciente a un determinado tratamiento o intervención, sino que ésta se efectúa de acuerdo a la práctica clínica habitual, siendo por ende el investigador un mero observador y descriptor de lo que ocurre.  De tal manera que parece razonable plantear que los argumentos que apoyan la conducción de estudios observacionales son entre otras: describir manifestaciones inusuales de una enfermedad o el efecto de una exposición que no puede ser asignada de forma aleatoria; describir enfermedades raras; conocer acerca de la historia natural y del curso clínico de una entidad clínica o evento de interés; obtener frecuencias de las diversas variables del proceso nosológico; permitir la formulación de hipótesis de posibles factores de riesgo, realizar vigilancia epidemiológica; validar la aplicación de una intervención ; conocer el nivel de adhesión a una intervención ; describir innovaciones y modificaciones, técnicas y tecnológicas, etc.

 Por otra parte, constituyen el primer paso en investigación para determinar factores de riesgo, aunque no permiten establecer causalidad; y, son relativamente rápidos y fáciles de realizar. Las limitaciones de este tipo de diseños, entre las que destacan: la subjetividad personal del que reporta, hecho que puede redundar en errores de medición; los inconvenientes generados por el sesgo de reporte, relacionados con la selección y referencia de los sujetos evaluados; el hecho que en algunas ocasiones no permiten hacer comparaciones entre grupos; el que representan la experiencia limitada de una sola persona o de un grupo de investigación; que la presencia de algún factor de riesgo puede ser solo coincidencia; que como la observación se inicia en diferentes puntos en el curso de una enfermedad o evento de interés, resulta difícil ser enfático acerca de la asociación temporal.

Se ha de tener presente, que en general este tipo de estudios no constituyen evidencia sólida como base para alterar la práctica clínica, en especial si ésta ha sido exitosa; con excepción de casos concretos como estudios de cohortes prospectivas o concurrentes para escenarios de pronóstico, estudios de pruebas diagnósticas para escenarios de diagnóstico y revisiones sistemáticas de la literatura para diferentes escenarios. Los diseños incluidos en el concepto de estudios observacionales son el reporte y las series de casos (sean estas de carácter retrospectivas o prospectivas), los estudios de corte transversal, los estudios de pruebas diagnósticas, los estudios de concordancia, poblacionales, correlacionales y ecológicos; los estudios de casos y controles; y los estudios de cohortes, ya sean retrospectivos o prospectivos.

A continuación, se hará una descripción de las características más relevantes de los diseños de Estudios Observacionales más representativos, en orden de complejidad (reporte y series de casos, estudios de corte transversal, estudios poblacionales y correlacionales; estudios de casos y controles; y estudios de cohortes).  Son los diseños más comúnmente encontrados en las revistas científicas y en este tipo de estudios no existe un grupo de comparación. Se trata entonces, de la observación y descripción de características de uno o de un grupo de sujetos que presentan un cuadro clínico, una enfermedad poco frecuente, una manifestación poco usual de una enfermedad; o que han sido sometidos a una modificación terapéutica, o que respondieron de manera inusual a un tratamiento determinado. Constituyen entre el 70% y 80% de los artículos originales publicados en la literatura biomédica.

 Estudios de corte transversal

Su característica fundamental es que todas las mediciones se hacen en una sola ocasión, por lo que no existen períodos de seguimiento. Con este diseño, se efectúa el estudio en un momento determinado de la evolución de la enfermedad o evento de interés. De esta manera, no se puede distinguir si la exposición determinó el desarrollo de la enfermedad o evento de interés, o sólo afecta el nivel individual de la exposición. Los estudios de prevalencia son un exponente de este tipo de diseño. Entendiendo como prevalencia la proporción de sujetos de una población determinada, en un momento determinado, que presentan una enfermedad.

Para algunos factores que permanecen inalterables en el tiempo como sexo o grupo sanguíneo, este tipo de estudios proveen evidencias de asociación estadística válidas, sin embargo, para variables generales no permiten plantear asociación. En algunos estudios los factores de riesgo pueden estar sujetos a alteraciones subsecuentes al desarrollo de la enfermedad. En estos casos, los datos pueden ser utilizados para describir las características de los individuos que padecen la enfermedad y formular hipótesis, pero no para probarlas.

Estudios de casos y controles.

Son estudios que se basan en la recopilación de datos ya generados, por ende, de carácter retrospectivo. Permiten el análisis comparativo de un grupo de sujetos que han desarrollado una enfermedad (denominados “casos”), con un grupo de individuos que no la presentan (denominados “controles”). Por lo tanto, se trata de estudios cuyo objetivo es determinar si la frecuencia de aparición de una variable en estudio es diferente en los “casos” respecto de los “controles”.

Dentro de las características propias del diseño, es relevante hacer mención de algunas consideraciones fundamentales: Una de ellas se refiere a la definición y selección de los “casos”. Este aspecto es de suma importancia, pues la selección de los casos permitirá establecer cuáles serán los límites para la generalización de los resultados; de este modo, los “casos” se pueden obtener a partir de hospitales, clínicas y consultorios; registros o sistemas de vigilancia; certificados de defunción; etc.; pudiendo ser “casos prevalentes”, cuando se utilizan aquellos existentes al momento de iniciar la investigación ; o “casos incidentes”, cuando se trabaja con aquellos que se van reclutando desde el momento en que comienza la investigación en adelante .

 Por su parte, los “controles” constituyen el mayor problema de este tipo de diseño, pues deben ser sujetos en todo similares a los casos, con la excepción que no tienen la enfermedad. Dicho de otra manera, los casos deben representar la población de individuos que habrían sido incluidos como controles si no hubieran desarrollado la enfermedad. Los “controles” también pueden ser de tipo poblacional, es decir tomados al azar a partir de la población general; hospitalarios, elegidos al azar desde población hospitalaria, de clínicas o consultorios; y los denominados controles especiales, entre los que se encuentran parientes, amigos o vecinos de los casos.

Sin embargo, sin importar la fuente obtención de los controles, es fundamental considerar los siguientes hechos: la muestra de controles debe pertenecer a la población fuente de los casos, debe existir exactitud comparable en la medición de la exposición en estudio, y se han de minimizar los confundentes.

 Por otro lado, se ha de considerar el problema del número necesario de controles por cada caso; y es así que en general se tiende a pensar en una relación de 1:1, sin embargo, esta relación variará dependiendo de la disponibilidad de casos y controles. El tamaño de muestra más pequeño se obtiene cuando la proporción de casos: controles es 1:1; sin embargo, cuando hay poca disponibilidad de unos u otros, se puede utilizar una relación distinta (1:2, 1:3 ó 1:4), tomando en cuenta que el total de sujetos en la muestra se incrementará

Pero, aunque los controles hospitalarios son los más comúnmente utilizados, debido a su disponibilidad; se ha de considerar que pueden estar tan o más enfermos que los casos, y tener patologías de algún modo relacionadas con la entidad en estudio, que actuarán como confundentes. Por otra parte, los controles poblacionales podrían ser los ideales, pues en general se encuentra libres de influencias relacionadas con la salud, pero su interés por participar en estudios científicos en general no es adecuado, razón por la que con ellos se corre el riesgo de incurrir en sesgos de medición.

Finalmente, los controles especiales, podrían ser perfectos, pues al estar cerca del caso suelen tener interés en colaborar en estudios relacionados con la enfermedad que afecta a su pariente o conocido, pero al mismo tiempo, con ellos se corre el riesgo del sobre reporte de información, o incluso que por vivir en el mismo sector estén expuestos al o a los mismos factores de exposición en estudio. No obstante, las consideraciones previas, es importante tener en cuenta la importancia de una buena definición de los casos y los controles, utilizar técnicas de emparejamiento (por sexo, edad, peso, estatura, etc.), y considerar también que en ocasiones puede ser necesario utilizar un segundo o tercer grupo de controles o controles de un origen diferente.

Estudios de cohortes.

Una cohorte es un grupo de sujetos que se siguen en el tiempo esperando la aparición de una enfermedad, y por otro lado un “factor de exposición”, que es aquel que puede predecir la variable resultado. Son estudios en los que el investigador realiza una comparación entre grupos de sujetos. Su objetivo es asegurar que la aparición de un caso nuevo de una enfermedad difiere entre un grupo de individuos expuestos y no expuestos a al potencial factor de riesgo.

Dentro de las características propias del diseño, es relevante hacer mención de algunos aspectos fundamentales: Uno de ellos se refiere a la selección de las cohortes. Estas, se han de seleccionar con base en la presencia o ausencia de exposición a un factor presumiblemente de riesgo para el desarrollo de una enfermedad. La población expuesta se selecciona según el tipo de exposición; así, en el caso de exposiciones comunes, los sujetos expuestos se pueden seleccionar a partir de la población. En caso de exposiciones poco frecuentes, los sujetos expuestos se pueden seleccionar a partir de grupos especiales de la población, de esta forma la medida de exposición será más exacta. En ambos casos, se ha elegir grupos de estudio que faciliten la obtención de la información relevante.

La población no-expuesta debe ser similar al grupo expuesto en todos los factores posibles relacionados al resultado excepto en el factor de exposición a evaluar; por lo tanto, la recolección de información debe ser comparable a la del grupo ex puesto; es así como, si se realiza un estudio que requiere de un grupo especial de exposición con problemas ocupacionales, se sugiere utilizar a la población general del área donde se encuentra instalada la empresa o industria en cuestión como un grupo externo de comparación o una cohorte similar que comparte la experiencia con la cohorte de exposición especial. Otro aspecto tiene que ver con la definición de la exposición.

Una vez definida la exposición todos los sujetos potenciales deben estar libres de la enfermedad al ingresar al estudio. Todos los sujetos elegibles deben ser seguidos por un periodo de tiempo predeterminado para evaluar la ocurrencia de la enfermedad. También se ha de considerar las fuentes de información de la exposición. Estas nos permiten clasificar al sujeto en expuesto y no-expuesto, nos aportan datos demográficos, datos sobre potenciales factores de confusión, y nos dan cierto margen de seguridad que la información obtenida será comparable para todos los participantes. Sin embargo, se ha de considerar que pueden ocurrir cambios en los niveles de exposición durante el seguimiento.

Las fuentes de información pueden ser de tipo indirecta, cuando se utilizan registros preexistentes; o directas, cuando la información se obtiene a partir de encuestas, entrevistas, examen clínico, pruebas de laboratorio, etc. Y, por último, se han de considerar las fuentes de información de la variable resultado. Este tipo de información debe tener un alto grado de certeza, y ha de ser comparable tanto en los expuestos como en los no-expuestos. Se puede obtener de fuentes tan diversas como exámenes periódicos de salud o certificados de defunción. Sin embargo, se ha de asumir que los resultados dependerán del seguimiento de las cohortes. Este debe ser completo para cada individuo que compone cada cohorte, desde el momento de su enrolamiento hasta el fin del período considerado; considerando que el porcentaje de pérdida de seguimiento de las cohortes no debe ser inferior a 80%.

No obstante, la duración del seguimiento dependerá del periodo de latencia estudiado entre la exposición y el resultado o evento de interés. Existen diversos tipos de estudios de cohortes. Los estudios de cohorte prospectiva o concurrente se definen como aquel estudio, que puede ser utilizado para determinar el pronóstico, con un seguimiento que comienza en el presente y se extiende hacia el futuro; período en el que se pueden medir y en forma acuciosa una serie de variables. En estos, la exposición al factor puede ya haber ocurrido, pero la enfermedad aún no.

Además, es el diseño que permite calcular la incidencia y riesgos. Los estudios de cohortes retrospectivas o históricas, son aquellos en que tanto las exposiciones ya ocurrieron cuando se dio inicio el estudio. En estas, el seguimiento es desde el pasado hasta el presente.

Son más rápidas y económicas que los estudios de cohortes prospectivas; son de gran utilidad si los periodos de latencia entre la exposición y el desarrollo de la enfermedad son prolongados; para su ejecución, requieren del acceso a fuentes de información preexistentes adecuadas, esto implica que se puede disponer de datos incompletos y por ende no comparables de los sujetos en estudio.

Se define como cohorte bidireccional a aquella en la que los datos son recolectados tanto de forma prospectiva como retrospectiva; pudiendo ser de utilidad cuando la exposición en estudio tiene efectos tanto a corto como a largo plazo. Son especialmente útiles para estudiar exposiciones raras a factores ocupacionales o ambientales. Se considera como estudio de casos y controles anidado en una cohorte aquel en el que se introduce un diseño de “casos y controles” en una cohorte; para lo que se efectúa una evaluación de todos los casos y se seleccionan grupos de control dentro de la misma cohorte; siendo su gran ventaja el que permite disminuir los costos de un estudio de cohorte.

Instrumentos para evaluar los Estudios observacionales

 A pesar de ser los diseños más utilizados en el reporte de resultados en las revistas biomédicas, existen pocos instrumentos que permitan valorar la calidad de los estudios observacionales; pues la mayor parte de los existentes son listas de chequeo o verificación respecto de cómo se deben reportar resultados con este tipo de diseños.

 A continuación, se mencionan y describen algunos de ellos.

 1. La iniciativa STROBE (Strengthening the Reporting of Observational Studies in Epidemiology), publicó en 2007, una guía para reportar estudios observacionales (Vandenbroucke et al. 2007); el que fue actualizado en 2008 (von Elm et al., 2008). Es una lista de 22 puntos a tener en consideración en la comunicación de resultados utilizando los diseños más importantes de la epidemiología analítica observacional: estudios transversales, estudios de casos y controles, y estudios de cohortes. Estos puntos se refieren en general al título y resumen, la introducción, la metodología, los resultados y la discusión.

2. La iniciativa STARD (Statement for Reporting Studies of Diagnostic Accuracy), publicó en 2007, una guía acerca de cómo reportar de forma apropiada los resultados provenientes de estudios de la exactitud diagnóstica (Bossuyt et al., 2003a, 2003b). Esta, consiste en una lista de comprobación de 25 ítems y un organigrama con el que autores y revisores pueden apreciar si toda la información relevante está presente.

El grupo MOOSE (Meta-analysis of observational studies in epidemiology), publicó en 2000, una propuesta para el reporte de meta-análisis de estudios observacionales (Stroup et al., 2000), que consiste en una lista de comprobación de datos específicos para informar un meta-análisis de estudios observacionales, incluyendo la estrategia de búsqueda, métodos, resultados, discusión y conclusión.

 4. El grupo MINCIR (Metodología de Investigación en Cirugía), publicó en 2009, una propuesta para la realización de revisiones sistemáticas y meta-análisis con diferentes tipos de diseños. Está, permite evaluar calidad metodológica, contando con estudios de validez y confiabilidad. Está compuesta por 3 ítems; el primero, relacionado con el tipo de diseño del estudio; el segundo, con el tamaño de la población estudiada; y el tercero, relacionado con la metodología empleada en el estudio en cuestión (Manterola et al., 2009).

5. Por otra parte, este mismo grupo (MINCIR), publicó recientemente un sistema de verificación para el reporte de resultados con estudios observacionales descriptivos, con el objetivo de colaborar con autores, revisores y editores para que la información relevante de este tipo de estudios se encuentre presente en el manuscrito. Cuenta con validez de fachada y contenido, aportada por un panel de 45 expertos en metodología de investigación, académicos clínicos, revisores y editores de revistas biomédicas, a través del cual se generó un instrumento compuesto por 19 ítems, agrupados en 4 dominios (Manterola & Astudillo).

Diseños cuasiexperimentales

Son una derivación de los estudios experimentales, en los cuales la asignación de los pacientes no es aleatoria, aunque el factor de exposición es manipulado por el investigador. Los diseños que carecen de un control experimental absoluto de todas las variables relevantes debido a la falta de aleatorización ya sea en la selección aleatoria de los sujetos o en la asignación de los mismos a los grupos experimental y control, que siempre incluyen una preprueba para comparar la equivalencia entre los grupos, y que no necesariamente poseen dos grupos, son conocidos con el nombre de cuasiexperimentos.

El método cuasiexperimental es particularmente útil para estudiar problemas en los cuales no se puede tener control absoluto de las situaciones, pero se pretende tener el mayor control posible, aun cuando se estén usando grupos ya formados. Es decir, el cuasiexperimento se utiliza cuando no es posible realizar la selección aleatoria de los sujetos participantes en dichos estudios. Por ello, una característica de los cuasiexperimentos es el incluir "grupos intactos", es decir, grupos ya constituidos. Algunas de las técnicas mediante las cuales se puede recopilar información en un estudio cuasiexperimental son las pruebas estandarizadas, las entrevistas y las observaciones.

Tipos de diseños cuasiexperimentales

Experimentos naturales: Son los experimentos que se desarrollan en la población sin que medie ningún tipo de intervención intencionada.

La intervención se da de forma natural o circunstancial y luego se evalúa la presencia de la enfermedad con el fin de evaluar el efecto de la intervención no intencionada.

Estudios con controles históricos: Este estudio consiste en comparar que un grupo de pacientes que reciben una intervención o tratamiento con un grupo que había sido tratado con otro tipo de intervención en el pasado.

Estudios post-intervención: Es una forma de evaluar una intervención y consiste en realizar observaciones posteriores a la utilización de una medida de intervención. Tiene la limitación de no tener información previa sobre el conocimiento del tema por parte de los participantes.

Estudios antes/después: Este estudio establece una medición previa a la intervención y otra posterior. Además, puede incluir un grupo de comparación que no reciba la intervención y que se evalúa también antes y después con el fin de medir otras variables externas que cambien el efecto esperado por razones distintas a la intervención.

 El análisis de la información arrojada por un diseño cuasiexperimental permite realizar diversos análisis estadísticos como son: la prueba t, el análisis de varianza, el análisis de covarianza.

Estos estudios son factibles dado que se pueden realizar en pequeñas unidades, por lo cual son más baratos y tienen menos obstáculos prácticos, permiten realizar investigaciones dentro de un marco de restricciones, particularmente la falta de aleatorización, facilitan el desarrollo de estudios en ambientes naturales. A través de los cuasiexperimentos es posible inferir relaciones causales entre la variable independiente y la variable dependiente, pero su probabilidad de ser verdadera es relativamente baja en comparación con los diseños experimentales verdaderos.

En los diseños cuasiexperimentales la variable independiente puede confundirse con variables extrañas, por lo que no se sabe si un cambio en la variable dependiente se debe realmente a la variación de la variable independiente; es decir, la probabilidad de una conclusión de que la variable independiente produjo un determinado cambio conductual es menor cuando se usa un diseño cuasiexperimental que cuando resultan de un experimento.

Al utilizar grupos intactos o naturalmente formados, existe la posibilidad de que se presenten sesgos en la selección. Entonces, es conveniente tratar de igualar los grupos experimental y control con base a aquellas variables consideradas como importantes en el estudio.  Cuando se consideran los problemas de validez en la investigación cuasiexperimental, se deben tener presentes: identificar claramente las limitaciones del estudio, la equivalencia entre los grupos, y argumentar lógicamente los aspectos representativos y generales de la investigación.

El tipo de tratamiento recibido por los grupos puede no ser lo suficientemente variado para marcar una diferencia. El desarrollo de la investigación en un ambiente natural posibilita la intervención de variables extrañas sobre las que seguramente no se podrá ejercer control.  Una desventaja del cuasiexperimento es el hecho de tomar los grupos intactos. El investigador no tiene la certeza de que la muestra sea representativa de la generalidad, por tanto, esto constituirá una amenaza a la validez externa, de donde se deriva una limitación del estudio.  En un cuasiexperimento, es importante cuidar que los sujetos no se enteren de que están participando en tal investigación, para evitar sesgar los resultados (efecto placebo).

Estudios experimentales

Son un grupo de diseños de investigación que se usan generalmente para evaluar alguna medida terapéutica; sin embargo, con estos diseños también se evalúan otro tipo de intervenciones. Como intervenciones en el área clínica nos referimos a las acciones dirigidas a modificar uno o más condiciones de un paciente o sujeto sano, de manera individual o grupal. Además de las intervenciones terapéuticas, existen las intervenciones preventivas y educativas.

Las terapéuticas están dirigidas a mejorar, eliminar o a controlar un padecimiento o alguna sintomatología en particular, pudiendo ser farmacológicas, quirúrgicas, de rehabilitación y cambios en estilo de vida. Por otra parte, las preventivas tienen como propósito evitar la aparición de una enfermedad o el desarrollo de alguna complicación, como la vacunación y los cambios en el estilo de vida. Las intervenciones educativas pueden estar dirigidas a pacientes o a integrantes del equipo de salud y, en términos generales, con este tipo de intervenciones se pretende que las personas hagan cambios en sus conductas, hábitos o costumbres para mejorar la salud, mediante la adquisición de conocimientos.

Para establecer la eficacia de una intervención se debe realizar un estudio experimental, en el cual a un grupo de pacientes se otorga dicha intervención (denominado grupo experimental) y se compara con otro grupo (denominado grupo control), al cual se le da un placebo o nada. Mientras que el término efectividad se utiliza para comprobar si existe diferencia en cuanto a la eficacia de dos (o más) intervenciones, es decir, son ensayos clínicos después de haber comprobado que las dos intervenciones sirven en estudios de eficacia.

Entonces, para demostrar la eficacia y efectividad de una intervención, en el grupo experimental debe existir mayor número de pacientes que se mejoran, en comparación al grupo control. Si bien, el ensayo clínico controlado y aleatorizado es el diseño de investigación ideal para la evaluación de la eficacia y efectividad de las intervenciones, desde hace años se disponen de otros tipos de estudios experimentales que también pueden ayudar a comprobar la magnitud del efecto de las intervenciones, aunque con menor grado de validez. Estos estudios siguen teniendo vigencia.

Ensayo clínico controlado aleatorizado.

Este diseño es el más riguroso para la evaluación de cualquier intervención; para llamarlo estudio clínico controlado aleatorizado debe cumplir con cuatro características principales:  Utilizar un grupo control que permita la comparación del efecto de la intervención sobre los grupos.  La asignación de la intervención debe ser al azar para evitar que la aplicación de la intervención dependa de los investigadores   La medición de las variables de desenlace deben ser cegadas, lo cual evita sesgos de información.  Al término del estudio, la mayoría de los participantes deben haber tenido una vigilancia completa durante todo el periodo del estudio. El grupo control se refiere al grupo de sujetos que recibe una intervención para contrastar los resultados con el grupo experimental.

En los ensayos clínicos, el uso de placebo es generalmente la intervención de control, la cual tiene una apariencia similar a la intervención en estudio, pero se trata de una sustancia inerte; se ha reportado que el uso de placebo puede provocar mejoría hasta en 40 % los pacientes en una amplia gama de condiciones clínicas, tales como dolor, asma, presión arterial alta e incluso infarto de miocardio. Cabe señalar que el grupo control no necesariamente debe ser un placebo pues en ocasiones lo más adecuado y ético es que sea el tratamiento estándar, es decir, la mejor alternativa terapéutica vigente en el momento de ejecutar el ensayo clínico.

En estos diseños la aleatorización se refiere a la probabilidad que tiene cada participante de asignarle a una u otra intervención, es decir, grupo experimental o grupo control. Así, se garantiza que el otorgamiento de la intervención no sea debido a la percepción del participante o de los investigadores. De hecho, desde hace años, la aleatorización es la que se considera la estrategia más importante para determinar si una intervención es eficaz o efectiva.

La aleatorización tiene otra ventaja importante: balancear las posibles variables de confusión entre el grupo experimental y el control, las cuales pueden modificar los resultados de la investigación. Cuando se logra que la frecuencia y distribución de las diferentes variables sean similares entre los dos grupos, los resultados del estudio serán más confiables. De tal forma que si los resultados arrojan que el grupo experimental tuvo mayor beneficio se puede asumir que dicha intervención es la directamente responsable de modificar el curso de la enfermedad.

Existen diferentes tipos de aleatorización, los cuales no alteran la esencia de lo ya señalado y generalmente se utilizan para hacer más eficiente el estudio. La aleatorización simple es la forma más frecuente.  En el caso de la aleatorización estratificada tiene por objetivo disminuir las variables de confusión; por ejemplo, puede ocurrir que haya diferencias de resultados entre hombres y mujeres, si es el caso, se deberán sortear un grupo experimental y otro control con cada estrato de hombres y de mujeres. De esta manera, al final habrá cuatro grupos. La desventaja principal de la aleatorización estratificada es el incremento del tamaño de muestra.

 

Cegamiento.

Es una estrategia establecida por el investigador para que la evaluación de los resultados sea objetiva, particularmente cuando la variable de resultado principal se mide con datos que dependen de la percepción del paciente o de la participación del equipo de salud. Sin embargo, aun cuando la variable de desenlace se mida de manera dura, lo ideal es que todo ensayo clínico siempre sea cegado. Cuando los participantes del estudio desconocen la intervención que están recibiendo, entonces el efecto real de la intervención será obtenido al momento de hacer la evaluación de los resultados. El propósito del cegamiento en los investigadores es para evitar una interpretación errónea cuando se realice la evaluación de las variables desenlace en los participantes en el estudio.

Como puede haber combinaciones, existen dos tipos de estudios: ciego simple o doble ciego. Si el paciente o el investigador están cegados, será ciego simple; mientras que cuando ambos están cegados el estudio se considera doble ciego. Cuando no se lleva a cabo algún tipo de cegamiento, el diseño de investigación se deberá nombrar como ensayo clínico controlado aleatorizado abierto.

El mejor ensayo clínico es aquel donde todos los participantes que se incluyeron al inicio del estudio lo terminan. Sin embargo, es común observar que, por diferentes razones, al final del estudio haya menor número de participantes. Las razones de las llamadas pérdidas durante el seguimiento pueden ser por fallecimiento, cambio de domicilio, falta de apego o abandono al tratamiento o eventos adversos graves.

Cuando ocurren pérdidas, los análisis estadísticos se pueden hacer de dos formas: por protocolo o por intención a tratar. El primero se refiere a que serán incluidos en el análisis exclusivamente los sujetos que cumplieron los criterios de selección, en quienes se aplicó la intervención y hubo la vigilancia de acuerdo con lo planeado originalmente. Hacer el análisis de esta forma puede ser apropiado, pero se tiene que tomar en cuenta que generalmente los resultados hacen parecer a la intervención experimental mucho mejor de lo que es real.

En el análisis por intención a tratar, a fi n de evitar que las inferencias que se realizan cuando es por protocolo, se incluye a todos los participantes, independientemente de que

no hayan completado el periodo de estudio. A los participantes que no completaron el estudio se les asigna el peor resultado posible de la variable de desenlace evaluada; de esta forma se podrá amortiguar lo observado en el análisis por protocolo. Si con el análisis de intención a tratar los resultados muestran ventajas de la intervención experimental sobre el grupo control, entonces las conclusiones apoyarán con mayor solidez que dicha intervención es efectiva.

Ensayo clínico aleatorizado factorial.

En este diseño se evalúan más de dos intervenciones. Teóricamente el diseño puede expandir el número de intervenciones, sin embargo, en los ensayos clínicos usualmente este número siempre es bajo.

Ensayo clínico aleatorizado cruzado.

En el ensayo clínico aleatorizado de diseño cruzado los dos grupos reciben dos tratamientos o intervenciones en diferentes momentos. Una de las principales ventajas es que se duplica el tamaño de muestra, puesto que todos los pacientes recibirán las dos intervenciones. Sin embargo, el tiempo de duración del estudio se duplica, lo cual puede incrementar los costos y la probabilidad de pérdidas. Asimismo, se debe tener en cuenta que, en el caso de intervenciones educativas o medicamentos poco conocidos, el periodo de lavado puede ser insuficiente, lo que impedirá obtener resultados confiables.

Ensayo clínico N de 1.

Una variante de los ensayos cruzados es el N de 1. En este tipo de estudios solo existe un paciente con una condición crónica, pero con dos o más alternativas terapéuticas, siendo el mismo sujeto su propio control. Las desventajas consisten en que puede ocurrir un efecto de aprendizaje del participante en el estudio, además del efecto acumulado tras recibir múltiples medicamentos durante las etapas del estudio.

Propósito y diseño.

En el ámbito sanitario los experimentos más comunes son los ensayos clínicos con medicamentos.

Los ensayos clínicos tienen una direccionalidad anterógrada, es decir, abordan el sentido de la relación causa-efecto desde la intervención al efecto.

Los ensayos clínicos son por tanto los diseños preferibles y exigibles a la hora de verificar el efecto de intervenciones tanto sobre efectos fisiológicos como clínicos, epidemiológicos, en servicios de salud o salud pública.

El propósito fundamental de un estudio experimental es estimar la eficacia de una intervención terapéutica o sanitaria, sea un procedimiento farmacológico, quirúrgico, educativo o de servicios sanitarios, efectuado sobre unos sujetos de estudio muy bien definidos. El ensayo clínico se diferencia de los estudios observacionales, sean estudios transversales, estudios de cohortes o estudios de caso y control, porque permite al investigador mantener un grado de control elevado sobre los sujetos de estudio y las circunstancias que van a condicionar el efecto de una determinada intervención

Asignación por grupos de estudio.

El ensayo clínico aleatorizado y controlado es el estándar de comparación frente al que se sitúan otro tipo de diseños y estudios por las óptimas propiedades que presenta desde un punto de vista metodológico. Un de ellas es la asignación aleatoria a los grupos de estudio. En esencia, el proceso de asignación aleatoria permite que un individuo tenga la misma posibilidad de ser asignado, bien al grupo de intervención o bien al de control. Por supuesto, es parte de la condición de que ni el investigador ni el sujeto de estudio conoce cuál va a ser el grupo asignado antes de decidir participar en el estudio. Esta situación arruinaría por completo los beneficios y las ventajas de la asignación aleatoria.

Ensayos comunitarios.

 Incluyen intervenciones sobre bases comunitarias amplias. Este tipo de diseños suelen ser cuasiexperimentales, en los que una o varias comunidades recibirán la intervención, mientras que otras servirán como control. Los estudios experimentales si tienen un diseño cuidadoso con un tamaño muestral suficiente, un proceso de aleatorización adecuado, una intervención y un seguimiento perfectamente controlados pueden proporcionar evidencias muy fuertes que nos permitan emitir juicios sobre la existencia de relaciones causales entre variables

Diseños secuenciales.

Si en el diseño de un estudio se sospecha que el efecto, bien positivo o negativo, pudiera manifestarse antes del periodo teóricamente planeado de finalización se pueden utilizar diseños denominados secuenciales. Un diseño secuencial es aquel donde las observaciones se analizan continuamente, los sujetos se incorporan ininterrumpidamente y la decisión de parar o no en cualquier momento de desarrollo el ensayo depende de los resultados que se van obteniendo. Este tipo de diseños permite incorporar gradualmente sujetos conforme el estudio se desarrolla en el tiempo, en vez de utilizar muestras completas y cerradas que o bien pudieran ser innecesarias o bien pudieran ser sometidas a riesgos innecesarios.

 

ERROR SISTEMÁTICO EN INVESTIGACIONES CLÍNICAS.

 

Se hace una distinción entre lo que puede considerarse un «error» surgido de la ignorancia o el descuido, de aquello que dimana de una falta de integridad de los investigadores, aunque se reconoce y documenta que no es fácil establecer cuándo estamos en un caso y cuándo en otro.

Tipos de errores sistemáticos.

Sesgo de selección: se da cuando la inclusión del sujeto a sus grupos se hace con diferentes métodos.

Sesgo de seguimiento: cuando los grupos no son seguidos de igual forma o hay perdidas no debidas al azar.

Sesgo de información: no se aplica el mismo procedimiento en todos los grupos del estudio.

Sesgo de confusión: producido por una variable independiente asociada a un factor de riesgo o exposición que lo potencia.

El error aleatorio: se produce cuando la variabilidad de los datos, se ve afectada la precisión y fiabilidad del estudio, tanto por falsos positivos error tipo 1 o Alfa, como por falsos negativos error tipo 2 o Beta.

Error de inferencia: se debe a una mala interpretación de las confusiones, por una muestra que no fuese representativa de la población o por la inferencia se realiza a una población en que la muestra no está incluida.

PRUEBA DE HIPÓTESIS EN SALUD PUBLICA.

 

La bioestadística es una habilidad esencial para todo investigador de salud pública porque proporciona un conjunto de métodos precisos para extraer conclusiones significativas de los datos. Es frecuente, especialmente en el campo de la salud, que un profesional en ejercicio de su actividad se detenga en un fenómeno que lo hace pensar que el grupo al que está observando tiene un comportamiento especial respecto a una determinada variable.

Así, por ejemplo, un kinesiólogo puede pensar que los pacientes sometidos a una secuencia especial de ejercicios demoran menos en recuperar la función muscular que aquellos tratados con el método tradicional. A un médico psiquiatra radicado en Punta Arenas le puede parecer que los suicidios adolescentes son más frecuentes en su región. Un profesional de la nutrición puede creer que los pacientes con problemas de absorción intestinal responden mejor a una alimentación con verduras que con carnes. El director de salud de un municipio puede pensar que su consultorio tiene mejor resolución de problemas complejos que el consultorio del municipio vecino. Detrás de todas estas situaciones se esconde una hipótesis que espera para ser verificada.

Una hipótesis se define como una afirmación transitoria que debe ser sometida a prueba. La inferencia estadística propone un procedimiento para llevar a cabo la prueba de las hipótesis. Propone, primero, enunciarlas formalmente y luego contrastarlas con la evidencia de los datos. Son los datos, entonces, con su coro de características, los que dirán si una hipótesis es falsa o verdadera. Este procedimiento se realiza considerando a los parámetros, que ya sabemos corresponden al universo, como los objetos para los cuales se enuncian las hipótesis.

Dicho de otro modo, una hipótesis se enuncia para una característica del universo o población y se origina en la observación del comportamiento de la misma característica en un grupo restringido o muestra. El método de las pruebas de hipótesis consiste fundamentalmente en establecer la probabilidad de que sea consecuencia del azar la diferencia existente entre dos cantidades. Se pueden distinguir dos situaciones:

a) Diferencia entre un valor muestral y un valor poblacional, o valor teórico.

b) Diferencia entre dos o más valores muéstrales.

En el caso a se tratará de evaluar la diferencia entre un valor obtenido en la muestra y un valor correspondiente en el universo, y en el caso b se evaluará la diferencia entre dos valores provenientes de dos muestras. Los valores que se comparen, ya sean de la muestra o del universo, pueden ser promedios, porcentajes u otros.  En general, lo que hace una prueba estadística es evaluar la diferencia entre dos o más valores. Respecto de esta diferencia se elabora una hipótesis previa y se plantea formalmente en términos estadísticos.

Estadístico de prueba

Para realizar tan delicada operación debemos utilizar el instrumento apropiado: le llamaremos estadístico de prueba, el que podremos calcular con los datos de nuestra muestra. Luego buscaremos la probabilidad de ocurrencia del valor calculado en la tabla correspondiente (Normal, t de student u otra) y a la luz de la probabilidad obtenida tomaremos una decisión respecto de nuestra hipótesis. La hipótesis constituye el eje central de la investigación y consiste en suponer un aspecto que se acepta en forma transitoria, para positivamente extraer una conclusión de ella. La investigación está dirigida, preferentemente, a   un área acotada   de la ciencia a investigar.

Las hipótesis de investigación pueden ser:

a) Explicativas: Explican la posible causa de un hecho.

b) Predictivas: Plantean el posible efecto o consecuencia de un hecho.

c) Comparativas: Contrastan resultados o características de grupos en diferentes condiciones.

d) Correlaciónales: Suponen una posible relación estadística entre variables cuantitativas.

e) Descriptivas: Indican una probable relación no causal entre variables cuantitativas.

Tipos de errores.

Error tipo I. La probabilidad de rechazar la hipótesis nula cuando en realidad es verdadera y es la “p”, por lo es un riesgo que asume el investigador de equivocarse al rechazar la hipótesis nula, cuando en realidad es cierta. Este riesgo se establece normalmente en 0.05 ó 0.01 Por lo tanto “p” no es un indicador de fuerza de la asociación ni de su importancia, sino una probabilidad.

Error de tipo II. El error de tipo II consiste en aceptar la hipótesis nula cuando es falsa y esto se conoce como el error de tipo II o Beta (β).

Ejemplo de hipótesis y errores.

H0: El nivel del sodio sérico en pacientes con tuberculosis miliar no difiere de la población general.

H1: El nivel del sodio sérico en pacientes con tuberculosis miliar difiere de la población general.

Error α: Probabilidad de decir que el Sodio sérico es diferente en los pacientes con TBC miliar cuando en realidad son iguales.

Error β: Probabilidad de decir que el Sodio sérico es igual en los pacientes con TBC miliar cuando en realidad son diferentes.

INTERVALOS DE CONFIANZA.

 

En estudios médicos los investigadores deberían usualmente estar interesados en determinar el tamaño de la diferencia de una variable respuesta medida en ambos grupos, más que la simple indicación de que no hay diferencia estadísticamente significativa. Los intervalos de confianza presentan un rango de valores, sobre la base de una muestra de datos, en los cuales el valor poblacional para una diferencia o un parámetro es probable que esté contenido. En casos en los que el efecto estimado del tratamiento es pequeño, el intervalo de confianza indica cuando el beneficio de tratamiento clínicamente valioso sigue siendo plausible a la luz de los datos y puede ayudar a evitar confundir la falta de evidencia de efectividad con evidencia de falta de efectividad. Son especialmente utilizados en ensayos clínicos y meta análisis.

Los intervalos de confianza deberían utilizarse para presentar los resultados más importantes de una investigación, por tanto, deberían incluirse en el resumen y las conclusiones de una publicación científica. Para interpretar un intervalo de confianza se estudia una muestra, al resumir los datos se obtienen estadísticos, o valores muestrales como la media o la proporción muestrales que nos dan una idea del correspondiente parámetro, es decir el valor de la media o la proporción calculado hipotéticamente en base al estudio de todos los individuos de la población.

Los intervalos de confianza indican la in(precisión) con que la muestra del estudio estima el valor del parámetro. Otra forma de interpretar alude a determinar los resultados que tomaría la variable de interés si se repitiera el estudio en múltiples ocasiones. Lo correcto es indicar que, al calcular un intervalo de confianza, en el 95% de las veces el verdadero parámetro podría estar contenido en el rango de valores del intervalo calculado; y por tanto en un 5% de las veces podría no estar en ese rango de valores.

A medida que aumentamos el tamaño de muestra, podemos disponer de mayor evidencia y por tanto realizar una estimación con mayor validez, esto ocurre porque el intervalo de confianza depende en parte, del error estándar, el cual se obtiene al dividir la desviación estándar muestral entre la raíz del tamaño de la muestra, es decir una vez la raíz del tamaño muestral aumente en relación con la desviación estándar, el ancho del intervalo será menor. El otro aspecto que influye sobre la amplitud del intervalo es el nivel de confianza, a mayor nivel de confianza, si se mantiene inalterado el error estándar, la amplitud del intervalo aumenta.

Podemos decir entonces que, si dejamos constante el nivel de confianza y la desviación estándar observada, a medida que aumenta el tamaño de muestra la amplitud de un intervalo de confianza se reduce y, por tanto, la precisión de la estimación aumenta. La potencia aumenta también cuando se aumenta el tamaño del efecto, ya que disminuye la probabilidad de error beta (aceptar una hipótesis nula falsa), sin embargo, podría aumentar el riesgo de cometer un error alfa (rechazar una hipótesis nula cierta).

Hay que recordar que la amplitud de un intervalo decrece a una tasa equivalente de raíz del tamaño de muestra. Por tanto, un intervalo de confianza muy amplio podría sugerirnos que la muestra utilizada no fue la adecuada en tamaño y un intervalo de confianza muy estrecho, que utilizamos demasiados pacientes, y esto, en ciencias de la salud podría resultar no ético, por la posibilidad de exponer a más de los individuos necesarios a tratamientos con potenciales riesgos colaterales.

Tipos de intervalos de confianza:

Si bien, los intervalos de confianza pueden pensarse como métodos complementarios de las pruebas hipótesis, ya que aportan información adicional; sin embargo, algunos Estadísticos y Epidemiólogos prefieren sustituir el uso de pruebas de hipótesis por intervalos de confianza, con el argumento que estos últimos pueden aplicarse a la solución de cualquier problema que resuelven las pruebas de hipótesis. Ahora se expondrá la clasificación de los intervalos de confianza atendiendo al tipo de problema que pretenden resolver. A continuación, se enumeran algunos de los muchos intervalos de confianza existentes y se anota en paréntesis la prueba estadística que estos sustituyen o complementan:

1. Estimación de un parámetro:

a) De una media poblacional (Prueba de T Student de una media).

b) De una proporción poblacional (Prueba de Z para una muestra, test binomial).

c) De una mediana poblacional (podría ser el equivalente o el complemento de una prueba de rangos signados de Wilcoxon para una mediana, o la prueba de signos para una muestra)

d) De la sensibilidad y la especificidad de una prueba diagnóstica.

2. Estimación de una diferencia poblacional:

a) De medias poblacionales, dos muestras independientes (T de Student).

b) De medias poblacionales, dos muestras relacionadas (T de Student pareada).

c) De proporciones poblacionales, dos muestras independientes (Prueba de Z de proporciones    independientes, test de ji cuadrado, prueba exacta de Fisher).

d) De proporciones poblacionales, dos muestras relacionadas (Prueba de Z de proporciones relacionadas, test de McNemar).

e) De medianas poblacionales, dos muestras independientes (Prueba de Mann-Whitney).

f) De medianas poblacionales, dos muestras relacionadas (Prueba de rangos signados de Wilxcoxon).

g) De la diferencia de dos coeficientes de correlación (Transformación de Fisher previo a la aplicación de un test de Z).

h) De la diferencia de dos curvas roc (Covarianza de dos áreas bajo la curva correlacionadas).

i) De la diferencia de pendientes poblacionales de dos curvas de regresión

j) De las diferencias de medias en comparaciones múltiples (ANDEVA + métodos de comparaciones múltiples).

3. Estimación del tamaño del efecto:

a) De un riesgo relativo, de una OR, de una razón de prevalencias (Prueba de ji cuadrado, prueba exacta de Fisher).

b) De una OR en un estudio de casos y controles pareados (Test de Mc Nemar).

c) De un coeficiente de correlación poblacional (Transformación de Fisher y luego estadístico Z, test de T).

d) De un Hazard Ratio en una regresión de Cox.

e) De una OR ajustada en una regresión logística (Estadística de Wald).

f) De un coeficiente Kappa para concordancia entre dos variables categóricas (Test de T para coeficiente Kappa poblacional).

g) De la estimación del área bajo una curva roc (Prueba binomial, Test U de Mann-Whitney para una muestra).

h) De la pendiente poblacional de una regresión (Prueba de T para una pendiente poblacional).

INFERENCIA ESTADÍSTICA EN LA SALUD PÚBLICA.

 

Desde hace más de dos décadas, se ha cuestionado el uso de pruebas de hipótesis en el análisis de datos, atendiendo a los muchos puntos débiles que estos presentan y a la existencia de otras alternativas de análisis como lo son la estadística bayesiana y los métodos multivariados de análisis. Los intervalos de confianza, a pesar de que pertenecen a la misma tradición clásica de la estadística, aún gozan de suficiente respeto por la comunidad científica al ser más informativos que la sola presentación de un valor p de una prueba de hipótesis. En el artículo se hablará de los intervalos de confianza como una alternativa adecuada para la inferencia estadística en estudios de salud pública.

Diferencia entre la estimación puntual y por intervalos.

El objeto de la estadística inferencial es obtener conclusiones para una población a partir de la revisión de solo una parte de esta población, es decir, una muestra. Cuando estimamos el valor que toma una variable en una muestra nos referimos a un estadístico. Si esa estimación es básicamente un solo valor, nos referimos a una estimación puntual; mientras, que la estimación por intervalos, se calcularán dos valores que definen un intervalo que, con cierto nivel de confianza, se considera que incluye al valor que toma la variable en la población, que se conoce como parámetro. Así que el reporte de una media, una proporción, un riesgo relativo, un coeficiente de correlación u otros estadísticos, nos estamos refiriendo a una estimación puntual, a menos que reportemos un intervalo de confianza.

LA PROBABILIDAD EN LA BIOESTADISTICA.

 

La probabilidad es simplemente qué tan posible es que ocurra un evento determinado. Cuando no estamos seguros del resultado de un evento, podemos hablar de la probabilidad de ciertos resultados: qué tan común es que ocurran. Al análisis de los eventos gobernados por la probabilidad se le llama estadística. La probabilidad define un espacio muestral de posibilidades (población) y se cuestiona la ocurrencia de un evento específico (muestra), la estadística por su parte selecciona y extrae una muestra, describe el comportamiento de las variables (estadística descriptiva) y luego analiza los resultados para hacer inferencias sobre el conjunto poblacional con base en los resultados obtenidos en la muestra (estadística inferencial).

La confiabilidad de los resultados estadísticos es comparada con los valores críticos de prueba, de distribuciones de probabilidad en curvas que han sido calculadas mediante procedimientos de matemática superior, que confirman o niegan los niveles de significancia estadística. En el campo del saber humano, convencionalmente se acepta que la probabilidad puede ser empírica, teórica o subjetiva cada una de ellas es diferente de las demás por su naturaleza y por la ocurrencia del evento que le acompaña.

La probabilidad empírica o experimental se obtiene de ensayos repetitivos independientes que se expresan por frecuencias relativas; la probabilidad teórica recurre a un espacio muestral cuyos elementos son puntos muestrales equiprobables que se relacionan con una razón; y la probabilidad subjetiva recurre a conocimientos previos de referencia empírica o teórica, cuya precisión depende de la habilidad del observador para emitir juicios que valoren correctamente la situación. La probabilidad entonces se convierte en un estado en que los eventos a observar pueden ocurrir o no ocurrir hay en esto una situación de dualidad de la que no se tiene dominio sobre los acontecimientos, sino sólo esperar los resultados.

Por su parte, en las ciencias de la salud constantemente se está buscando nuevas alternativas terapéuticas y diagnósticas, así como técnicas de pronóstico, factores de riesgo, entre otros, dirigidos hacia el ser humano, razón por la cual la estadística aplicada en esta área se denomina bioestadística. Donde la bioestadística es el método objetivo, racional y matemático a través del cual una hipótesis científica puede ser comprobada para obtener conclusiones acerca de las características de un conjunto de personas u objetos, cuando solo una porción está disponible para su estudio.

Aunque se pueden encontrar muchas definiciones de estadística, la mayoría coinciden en que se encarga de recopilar, organizar, resumir, analizar e interpretar datos numéricos con la finalidad de sacar conclusiones y ayudar a la toma de decisiones. No existe investigación, proceso o trabajo encaminado a obtener información cuantitativa en general, en la que la estadística no tenga una aplicación. La estadística aplicada a las ciencias biológicas dentro de las cuales se encuentran todas las ciencias de la salud, se denomina Bioestadística.

La Bioestadística es una rama de la Estadística que se ocupa de problemas planteados dentro de las Ciencias Biológicas. La Bioestadística es una disciplina en constante desarrollo. Incluye no sólo el análisis estadístico de datos biológicos sino también el uso de numerosos procedimientos o algoritmos de cálculo y computación para el análisis de patrones y la construcción de modelos que permitan describir y analizar procesos de naturaleza aleatoria.

La Bioestadística también suele denominarse Biometría para hacer alusión a que el centro de atención está puesto en la medición de aspectos biológicos; el nombre proviene de las palabras griegas "bios" de vida y "metron" de medida. La Bioestadística es una disciplina aplicada ya que comprende el desarrollo y aplicación de métodos y de técnicas de análisis cuantitativo para extraer información biológica de conjuntos de datos obtenidos desde la experimentación o el muestreo. Las herramientas Bioestadísticas son claves en la generación de nuevos conocimientos científicos y tecnológicos.

La estrecha relación de la Estadística con el método científico hace de la Bioestadística una disciplina imprescindible en proyectos de investigación e innovación en áreas relacionada con las Ciencias de la Vida y el Ambiente. Actualmente la Bioestadística se ocupa también del análisis, para el descubrimiento de conocimiento, de grandes bases de datos biológicos que por su tamaño demandan algoritmos informáticos específicos. Así se encuentra en su expansión, con la Bioinformática.

OBJETIVOS DE LA INVESTIGACIÓN.

 

Objetivo general. Formar especialistas de salud y materias afines de alto nivel capaces de aplicar los principales métodos estadísticos para el análisis de datos.

Objetivos específicos. Formar especialistas capaces de:

1. Comprender los conceptos requeridos para la aplicación de las diversas técnicas estadísticas con un enfoque más aplicado que teórico.

2. Planear y diseñar experimentos o identificar modelos estadísticos apropiados para los problemas propios de su área.

3. Proponer soluciones a problemas previamente identificados, mediante métodos estadísticos cuya utilidad ha sido demostrada en los diversos campos de la investigación.

4. Apoyar a las instituciones educativas y de salud si así lo considera el especialista en salud pública.

5.Que el especialista en salud sea capaz de comprender y utilizar los conceptos básicos de probabilidad y estadística en problemas de aplicación, aplicando los modelos probabilísticos más comunes en problemas prácticos y comprender su importancia en el área de estadística.

LA PROBABILIDAD EN LA BIOESTADISTICA.

 

INTRODUCCIÓN.

Los fenómenos biológicos tienen en este sentido una componente aleatoria importante cuya herramienta matemática constituye la base para el estudio de fenómenos con una componente aleatoria es la teoría de la probabilidad, que proporciona modelos teóricos aplicables a la frecuencia de los distintos resultados de un experimento. La estadística es la rama de las matemáticas aplicadas que permite estudiar fenómenos cuyos resultados son en parte inciertos. Al estudiar sistemas biológicos, esta incertidumbre se debe al desconocimiento de muchos de los mecanismos fisiológicos y fisiopatológicos, a la incapacidad de medir todos los determinantes de la enfermedad y a los errores de medida que inevitablemente se producen.

Así, al realizar observaciones en clínica o en salud pública, los resultados obtenidos contienen una parte sistemática o estructural, que aporta información sobre las relaciones entre las variables estudiadas, y una parte de “ruido” aleatorio.  El objeto de la estadística consiste en extraer la máxima información sobre estas relaciones estructurales a partir de los datos recogidos. En estadística se distinguen dos grandes grupos de técnicas: La estadística descriptiva, en la que se estudian las técnicas necesarias para la organización, presentación y resumen de los datos obtenidos y la estadística inferencial, en la que se estudian las bases lógicas y las técnicas mediante las cuales pueden establecerse conclusiones sobre la población a estudio a partir de los resultados obtenidos en una muestra.

El análisis de una base de datos siempre partirá de técnicas simples de resumen de los datos y presentación de los resultados. A partir de estos resultados iniciales, y en función del diseño del estudio y de las hipótesis preestablecidas, se aplicarán las técnicas de inferencia estadística que permitirán obtener conclusiones acerca de las relaciones estructurales entre las variables estudiadas. Las técnicas de estadística descriptiva no precisan de asunciones para su interpretación, pero en contrapartida la información que proporcionan no es fácilmente generalizable.