Beruflich Dokumente
Kultur Dokumente
1 1
ES dif % = p *(100 - p ) * +
n1 n2
Reemplazamos
1 1
ES dif % = 14,5*(100 - 14,5%) * + = 1,37% (aprox 1,4%)
1327 1320
En las distribuciones de errores al azar para esa incidencia de eventos y
nmero de pacientes, el error estndar aproximado fue de 1,4%.
Podemos plantear ahora la pregunta sobre la diferencia de porcentajes en
otros trminos: a cuntos errores estndar de la diferencia de porcentajes
se encuentra la incidencia de mortalidad con bisoprolol comparada con la
del grupo placebo? La respuesta a esta pregunta es la denominada por
Pocock frmula mgica de la estadstica (A y B son dos grupos hipotticos,
en este caso bisoprolol y placebo).
% A - % B 17,3% - 11,8%
Z = = = 3,9
ES dif % 1, 4%
Hemos hecho as una prueba de Z, es decir, calculado el nmero de errores
estndar que separa a un porcentaje del otro. Podemos en las tablas de Z o
en excel buscar la probabilidad de esa diferencia, pero podemos recordar
que la Z para p <0,05 es 1,96 y para p <0,01 2,54. En este caso la Z es
mucho mayor, 3,9 y los programas nos informan p <0,001.
Podemos as rechazar la hiptesis de nulidad: existe una probabilidad
menor de 0,001 es decir de 1 en mil, de que esa diferencia observada
pueda ser atribuida al azar.
2
En otros trminos, si no existiera diferencia entre los tratamientos, la
probabilidad de que por azar encontrramos esta magnitud de diferencia es
muy baja.
3
Como era de esperar la diferencia promedio fue 0, no debera haber
diferencias entre grupos elegidos al azar. Sin embargo si observamos los
valores mnimos y mximos de la diferencia de mortalidad en algn estudio
fue de 0,9% y en algn otro de -1,3%. De hecho las mortalidades al azar
en el grupo A fueron de 3,1% a 4,2% y en el grupo B de 3,3 a 4,4%.
La distribucin de diferencias de porcentajes debe ser gaussiana, como todo
error de medicin, en este caso 100 mediciones al azar en la misma
poblacin. En la figura 1 efectuamos un histograma de frecuencias de la
distribucin de estas diferencias y en la figura 2 graficamos cada muestra
individualmente tomando la diferencia. En ambas figuras dibujamos los
Intervalos de confianza del 95% y 99%.
Histogram
20
15
Frequency
10
0
-1.4 -1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4
DIF
4
Figura 2: graficacin de las diferencias de porcentaje de mortalidad en 100
muestras dividiendo a una poblacin de 7.004 pacientes en dos grupos al
azar. El porcentaje en cada muestra es expresado como una columna
vertical. En lnea punteada continua se delimit el Intervalo de confianza del
95% y en lnea interrumpida el IC 99%. En total 6 muestras tienen
porcentajes por fuera del 95% y slo una por fuera del 99%.
5
Este valor de p expresa algo emprico, que hemos demostrado en el
ejemplo anterior: de no existir diferencias, slo en 1 de cada 100 ensayos
comparados encontraremos diferencias por encima del IC del 99% y slo en
5 de cada 100 ensayos por encima del 95% por azar.
De la misma manera, sobre la base de la figura 2, cuando afirmamos la
significacin estadstica sobre la base de un intervalo de confianza,
repetimos la misma conviccin que en los estudios descriptivos: afirmamos
que tenemos un 95% de confiabilidad de que la verdadera diferencia de
porcentaje entre los dos tratamientos est abarcada por el IC del 95%. En
el ejemplo del CIBIS II, la diferencia fue de 5,5% (2,8 a 8,2%), muy lejana
del 0% que indicara nulidad.
Tambin sobre la base de la experiencia emprica del ejemplo anterior,
debemos aceptar que pueden observarse diferencias de p <0,01 por azar,
justamente en uno de cada 100 estudios.
Luego de esta discusin conceptual pasaremos a los mtodos formales de
evaluacin estadstica. En el caso de los datos cualitativos, se utilizan tablas
denominadas de contingencia.
6
obligatoriamente 108 (41 + 33 + 7) = 7. Cae de maduro que en D-No ir
83 7 = 76.
Grupo
Evento Total
A B C D
S 41 33 27 7 108
No 21 48 80 76 225
Total 62 81 107 83 333
Grupo Total
Evento
A B C D
S 26 12 55 15 108
No 36 69 52 68 225
Total 62 81 107 83 333
7
Tablas de 2x2
Se denominan tablas de contingencia de 2x2 o, simplemente, tablas de 2x2,
a las que tienen 2 filas y dos columnas. Estas tablas tienen 1 grado de
libertad.
gl = (2 1) x (2 1 ) = 1 x 1 = 1
En la literatura se expresan tambin como tablas de contingencia 2X2 o con
grado de libertad 1.
Es importante aprender a leer y confeccionar adecuadamente estas tablas.
Estas son las tablas ms comunes en los ensayos controlados que evalan
la presencia o ausencia de un evento en los pacientes tratados con cada una
de las estrategias.
Evento
Tratamiento
+ -
A 26 100 126
B 40 89 129
Total 66 189 333
NTA
Droga
S No
Amlodipina a b a+b
Enalapril c d c+d
Total a+c b+d N
8
Supongamos ahora un estudio caso-control sobre cncer de pulmn y
tabaquismo. Se toma un grupo de pacientes con cncer de pulmn (casos)
y otro sin esa patologa (controles) y se registra cuntos pacientes de uno y
otro grupo son fumadores. Los resultados pueden resumirse como en la
tabla 5. Siempre en el casillero a debe colocarse el nmero de expuestos al
txico entre los casos.
9
Tabla 6. Tabla de contingencia de 2x2 para dos tratamientos antiemticos
consecutivos en un mismo individuo.
N: nmero de individuos.
Ondansetrn
Metoclopramida Total
Vomit No vomit
Vomit a b a+b
No vomit c d c+d
Total a+c b+d N
10
La frecuencia de eventos fue igual (o diferente) en los distintos grupos?
Por ejemplo: La frecuencia de normalizacin de la presin arterial fue
igual con amlodipina que con enalapril, en un estudio en grupos
paralelos? (tabla 3). Hay diferencia en la incidencia de infarto de
miocardio en varones y mujeres de una poblacin seguida durante 20
aos? Es el caso de los ensayos teraputicos que utilizan como puntos
finales eventos clnicos.
La exposicin a una noxa fue igual en dos grupos de individuos, uno
con evento y otro sin evento? (estudios caso-control). Por ejemplo: El
antecedente de consumo de tabaco fue igual en pacientes con (casos) y
sin (controles) cncer de pulmn? (tabla 4). El antecedente de
consumo de talidomida fue igual en mujeres que tuvieron hijos con
focomelia (casos) que en las que tuvieron hijos sin malformaciones
(controles)?
La frecuencia de eventos fue igual (o diferente) con dos o ms
tratamientos aplicados a un mismo individuo? Por ejemplo: La
frecuencia de vmitos durante la quimioterapia antitumoral fue igual con
ondansetrn que con metoclopramida, aplicadas en dos ciclos sucesivos
a un mismo individuo? (tabla 5). La frecuencia de curaciones fue igual
con el tratamiento A que con el B aplicados a un mismo individuo con
conjuntivitis bilateral? (tabla 6).
En este caso la hiptesis nula es que la frecuencia de eventos es igual para
los distintos grupos o tratamientos, es decir, es independiente del grupo al
que pertenece el paciente (o del tratamiento recibido). Por este motivo, se
suele denominar hiptesis de independencia.
11
Mis datos son gaussianos?
Los casos observados entre miembros de diversas familias siguen una
determinada ley gentica?
Mis resultados son similares a los publicados por otros?
La presencia simultnea de hipertensin arterial (HTA) y diabetes (DBT)
en un mismo individuo es solamente debida al azar?
En todos los casos la hiptesis nula es la respuesta afirmativa a la pregunta
y puede generalizarse diciendo que la distribucin observada es igual a la
esperada. Esperada segn qu?: Segn la funcin de Gauss para la
primera pregunta, segn una ley de la gentica para la segunda, segn los
datos publicados para la tercera, segn las leyes de probabilidad para la
cuarta. Esta ltima merece explicarse un poco ms. Si la prevalencia de
HTA en una poblacin es del 25 % y la de DBT es del 8 %, puede esperarse
por azar que un 2 % de los individuos tengan simultneamente ambas
enfermedades.
Eleccin de la prueba estadstica
Veremos ahora que prueba estadstica podemos elegir para cada uno de los
problemas que se nos presenta (figura 3). Luego nos referiremos a cada
una de ellas en particular. Para elegir la prueba para analizar datos
cualitativos, debemos tener en claro qu hiptesis nula (H 0) vamos a
probar.
Eleccin de prueba para probar la hiptesis de independencia
En primer lugar debemos preguntarnos si son datos apareados (propio
individuo como control) o grupos paralelos.
INDEPENDENCIA Ho DISTRIBUCIN
OBS = ESP
2
APAREADO SI gl >1 ANLISIS
MULTIVARIADO
McNEMAR 1
NO FILA
SI o COL NO
< 10
gl 1 N > 40 NO
SI
12
prueba de McNemar. Si hay ms de un grado de libertad es conveniente
recurrir al anlisis multivariado.
GRUPOS PARALELOS
13
2 = 1,962 = 3,8416
14
(OBS ESP)2 / ESP = 2 si ESP = (es decir, N = )
pero
(OBS ESP)2 / ESP 2 si ESP 5
es decir, los cocientes (OBS ESP) 2 / ESP son aproximadamente iguales a
2 si los ESP no son menores de 5. En general, se acepta que pueden
efectuarse las pruebas de 2 si se dan las siguientes condiciones:
No ms del 20 % de los ESP < 5.
No ms del 5 % de los ESP < 1.
Ningn ESP = 0.
Obsrvese que las condiciones se refieren a los ESP y no a los OBS. Es
decir, puede tenerse un OBS = 0, pero no un ESP = 0. Enseguida veremos
cmo aplicamos estas condiciones para tablas de un grado de libertad.
Muchos software de estadstica advierten cuando hay un ESP < 5.
Tratamiento
Mareos Total
Droga Placebo
S 6 1 7
15
No 15 25 40
Total 21 26 47
Tabla 10. Dos ejemplos de 2 con y sin correccin de Yates y de la prueba exacta
de Fisher de dos colas para tablas de 2x2.
2 de Mantel y Haenzel
Es otra manera de calcular 2, que resulta til en los estudios estratificados
(por ejemplo, los multicntricos) pues permite evaluar si los resultados son
o no homogneos entre los centros. ste mtodo (o, ms generalmente,
uno muy parecido: la modificacin de Peto) se emplean en los metaanlisis.
No nos extenderemos ms en este tema que ser tratado en el captulo de
inferencia causal y en el de metaanlisis.
16
2 para tablas de 2x2, propio individuo como control (prueba
de McNemar)
Si observamos la tabla 11, vemos que los resultados de los casilleros a y d
estn de acuerdo con H0, pues en a est la cantidad de pacientes que tuvo
eventos con ambos tratamientos y en d los que no tuvieron con ninguno de
ellos. La hiptesis nula se puede expresar, entonces, como H 0: b = c.
Tabla 11. Tabla de contingencia de 2x2 para dos tratamientos en un mismo individuo.
N: nmero de individuos.
Tratamiento A
Tratamiento B Total
Evento No evento
Evento A b a+b
No evento C d c+d
Total a+c b+d N
Tratamiento A
Tratamiento B Total
Evento No evento
Evento 25 8 33
No evento 18 65 83
Total 43 73 116
En nuestro ejemplo,
2 = (8 18)2 / (8 + 18) = 102 / 26 = 100 / 26 = 3,846 (p = 0,0499)
Con correccin de continuidad
2 = (b c 1)2 / (b + c)
donde las dos barras verticales significan mdulo (valor absoluto). En
nuestro ejemplo,
17
2 = (8 18 1)2 / (8 + 18) = ( 10 1)2 / 26 = (10 1)2 / 26 =
92 / 26 = 81 / 26 = 3,115
En este caso p = 0,0776 y vemos una vez ms como al efectuar o no la
correccin de Yates puede llegarse a obtener conclusiones diferentes, por lo
que el criterio de aplicarla o no debe adoptarse antes de ver los resultados.
2 Para Tendencias
En la figura 4 se da un ejemplo tpico de aplicacin de esta prueba, que se
denomina tambin 2 para tendencia lineal, aunque en realidad no prueba
linealidad. Es condicin para aplicar correctamente esta prueba que los
intervalos de clase (intervalo de tiempo en la figura, intervalos de edad,
etc.) sean iguales. Esta prueba tiene 1 grado de libertad.
Las barras de la figura 4 nos muestran como la prevalencia del estfilococo
meticilino resistente (SAMR) aument gradualmente de 16 / 250 (6,4 %) en
1.990 a 23 / 220 (10,5 %) en 1.997. Una prueba 2 de tendencias
abarcando los 8 aos (gl = 7) nos da como resultado:
2 = 3,928 (p = 0,7880)
Si sumamos los aislamientos de cada ao obtenemos en total 1.750 cepas y
con este nmero el poder de detectar como estadsticamente significativa
una diferencia tan pequea como la observada fue 1 = 0,238. Para 1
= 0,8 necesitaramos 6394 aislamientos. En cambio, la prueba de 2 para
tendencias nos dio:
2 = 3,847 ( p = 0,0498)
Es decir, pudimos detectar una tendencia al aumento de la prevalencia de
SAMR antes que las diferencias alcancen a ser significativas. Este ejemplo
muestra la gran utilidad que puede tener esta prueba en la vigilancia
epidemiolgica.
SAMR 16 14 17 19 17 17 20 23
N 250 200 230 250 200 190 210 220
11
10
9
PREVALENCIA DE SAMR (%)
8
7
6
5
4
3
2
1
0
1990 1991 1992 1993 1994 1995 1996 1997
AO
Figura 4. Prevalencia de SAMR en aislamientos bacterianos.
18
SAMR: Staphylococcus aureus meticiino resistente. N: Nmero total de aislamientos
bacterianos en cada ao.
19
Esta prueba se utiliza tambin para el clculo de la capacidad predictiva de
un escore, como discutiremos en el captulo de anlisis multivariado.
Eleccin entre OR y RR
En primer lugar (figura 5) debemos definir si se trata de un diseo de
propio individuo como control (PIC) o de grupos paralelos.
Si se trata de propio individuo como control, en todos los casos los datos
deben ser estimados a travs del odds ratio.
20
Si son grupos paralelos, debemos fijarnos si son 2 grupos o ms. Si son
solamente dos, debemos tomar en cuenta si se trata o no de un estudio
caso-control. En los estudios de caso-control no puede usarse el riesgo
relativo, slo el OR. En los estudios de intervencin lo conveniente es
calcular RR, pues este dato es ms fcil de comprender. Si son ms de dos
grupos, conviene recurrir al clculo de OR mediante regresin logstica.
SI PIC NO
2 REGRESIN REGRESIN 2
LOGSTICA LOGSTICA
CASO-
ODDS RATIO RIESGO RELATIVO NO CONTROL
ODDS RATIO SI
21