Interpretaci n de resultados
Download
1 / 64

Interpretación de resultados - PowerPoint PPT Presentation


  • 174 Views
  • Uploaded on

Interpretación de resultados. ¿Qué es lo que busca todo el mundo?. p. Intervalo de Confianza. Intuitivamente: El verdadero valor se encuentra dentro del intervalo con una confianza del 95%. Amplitud del IC.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Interpretación de resultados' - tal


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
Interpretaci n de resultados

Interpretación de resultados

Rosa [email protected] - [email protected]


Qu es lo que busca todo el mundo
¿Qué es lo que busca todo el mundo?

p

Rosa [email protected] - [email protected]


Intervalo de confianza
Intervalo de Confianza

Intuitivamente: El verdadero valor se encuentra dentro del intervalo con una confianza del 95%

Rosa [email protected] - [email protected]


Amplitud del IC

  • También depende de la información que la muestra proporciona sobre p, el verdadero valor poblacional

    • Mayor tamaño de muestra ->

      mayor precisión -> IC más estrecho

    • Mayor dispersión de la medida ->

      IC más amplio

Rosa [email protected] - [email protected]


Distribuci n normal
Distribución normal

Distribución

de la

media

X

X

Distribución

de la

muestra

X + 2EEM

X + 2DS =>95%

Rosa [email protected] - [email protected]


Relaci n entre ic y significaci n p
Relación entre IC y significación (p)

p=0.002

IC al 95%

p=0.05

0

Rosa [email protected] - [email protected]


Intervalo de confianza1
Intervalo de Confianza

2 grupos

Dif. NS

2 grupos

Dif. Sig.

Rosa [email protected] - [email protected]


Medidas de incertidumbre probabilidades odds y sus ratios
Medidas de incertidumbre: Probabilidades, Odds y sus Ratios.

  • Probabilidad

    • Ratio (razón) del evento respecto de la totalidad

  • Odds

    • Ratio (razón) del evento respecto al no-evento

  • Riesgo

    • Número de sujetos en un grupo con el evento dividido por el total de sujetos en el grupo. Es la probabilidad (proporción) de presentar un evento en el grupo (P). Se denota como incidencia cuando se expresa por unidades de tiempo.

  • Riesgo Relativo (RR)

    • Ratio del Riesgo en el grupo de expuestos en relación al grupo de no expuestos (P1/P2)

Rosa [email protected] - [email protected]


C lculo de rr y or
Cálculo de RR y OR

  • RR ó OR > 1

  • RR ó OR =1

  • RR ó OR < 1

  • Factor de riesgo

  • Ausencia de ‘efecto’

  • Factor protector

Rosa [email protected] - [email protected]


Escalas de medici n del efecto
Escalas de medición del efecto

Riesgos

Rosa [email protected] - [email protected]


C lculo de rr y or1

RR=2

No Expuestos

Expuestos

  • Odds en Expuestos:

    2/2=> 1

  • Odds en no Expuestos: 1/3

OR=3

Cálculo de RR y OR

Enfermos

Rosa [email protected] - [email protected]




C lculo de rr y or2
Cálculo de RR y OR

Rosa [email protected] - [email protected]


An lisis de supervivencia hr

Peor Triflusal

Peor AAS

1,5

1

0,5

Prueba exacta de Fisher, valor de p: 0,647

Análisis de Supervivencia. HR.

Kaplan Meier: Curvas de supervivencia

Log-Rank HR & IC95%

0.4991 1.0861 (0.85 - 1.38)

Rosa [email protected] - [email protected]


Absolute risk reduction
Absolute Risk Reduction

Absolute risk reduction (ARR)=

Riesgo en grupo tratado menos el riesgo en grupo control ARR=p1-p2

Number need to treat NNT=1/ARR

Es el número necesario de pacientes que se han de tratar con uno de los tratamientos para conseguir una curación más que con el otro tratamiento

Rosa [email protected] - [email protected]


NNT

  • Número de pacientes necesarios para ‘ahorrarse’ la aparición de un evento

  • Igualdad

    • NNT = ¥

    • Escalas aditivas (diferencias) = 0

    • Escalas multiplicativas (RR, OR, HR) = 1

Rosa [email protected] - [email protected]


Nnt number needed to treat

¿Infinito?

NNT: Number Needed to Treat

Si la diferencia de riesgos entre los

dos tratamientos no

es significativa ‘tanto da’ prescribir un

tratamiento u otro

ya que el ahorro de eventos no existe

Fuente: Douglas G Altman. Confidence intervals for the number needed to treat. BMJ 1998;317:1309-1312

Rosa [email protected] - [email protected]


Risk reduction
Risk Reduction

Example: Compare medical Tx vs. CABG for CAD at 10 years out.

% Med group 404 dead out of 1,324=

.305 or 30.5%

%CABG group 350 dead out of 1,325=

.264 or 26.4%

Absolute risk reduction (ARR)=

30.5%-26.4%= 4.1%

Number needed to treat (NNT)=

1/ARR = 1/.041 = 24 patients

Relative risk (RR) of death in CABG vs med =

.264/.305= .87

Relative Risk Reduction (RRR) =

100% - 87% = 13%

Rosa [email protected] - [email protected]


Dise os de no inferioridad

Diseños de No-inferioridad

Rosa [email protected] - [email protected]


Ensayos para evaluar superioridad
Ensayos para evaluar superioridad

  • El objetivo principal es mostrar que la respuesta al producto en investigación es superior al agente comparativo (control activo o placebo)

  • Científicamente es el ensayo más convincente

  • Es el más común

Rosa [email protected] - [email protected]


Ensayos de equivalencia
Ensayos de Equivalencia

  • Ensayos de bioequivalencia(producto genérico vs comercializado)

  • Nuestro producto no es peor y puede presentar otras ventajas (seguridad, comodidad posológica …)

    • No-inferioridad

Rosa [email protected] - [email protected]


Superioridad

E - C; p = 0.002

(95% IC)

E - C; p > 0.05

(95% IC)

0

Superioridad

Estudios diseñados para detectar unadiferencia

Rosa [email protected] - [email protected]


Equivalencia
Equivalencia

Estudios diseñados para confirmar la ausencia de una

diferencia

Rosa [email protected] - [email protected]


No inferioridad
No-inferioridad

Estudios diseñados para demostrar que un nuevo tratamiento

no es peor que otro tratamiento

Rosa [email protected] - [email protected]


1/2 ?

1/3 ?

B

A

d

30%

P

Rosa [email protected] - [email protected]




JAMA 2002; 287: 1807-1814

Rosa [email protected] - [email protected]


d

30%

Rosa [email protected] - [email protected]


Interpretación de los resultados de un experimento

IC de la diferencia

+

0

Efecto no importante

Efecto importante

Rosa [email protected] - [email protected]


Estudio de superioridad

Límite de superioridad

¿Superior a d?

?

No

No

No

No

No

No

d

d < 0

- efecto

d = 0

No hay diferencia

d > 0

+ efecto

¿ESTUDIO DE … SUPERIORIDAD?

Rosa [email protected] - [email protected]


Effect size sample size
Effect Size & Sample Size

Relative

Effect Absolute

Size Power* difference

(%) (%) (mmHg)

-----------------------------------

0% 4.9% 0.0

10% 5.9% 0.2

20% 8.5% 0.4

30% 13.3% 0.6

40% 20.2% 0.8

50% 28.2% 1.0

60% 39.3% 1.2

70% 49.3% 1.4

80% 61.1% 1.6

90% 71.0% 1.8

100% 80.4% 2.0

-----------------------------------

*Statistical power assuming constant variability (SD=20mmHg)

Rosa [email protected] - [email protected]


Replicando un estudio
Replicando un estudio

  • Probabilidad de observar diferencias significativas ( p<0.05) tras la repetición de un Ensayo Clínico cuando el tamaño del efecto observado la primera vez es el correcto

Valor de p Probabilidad de resultadoobservado significatico (Poder) en el futuro

0.05 50%

0.01 73%

0.001 91%

Referencia: Goodman (1992), Statistics in Medicine, 875-879

Rosa [email protected] - [email protected]


Seamos cr ticos
Seamos críticos

  • En ocasiones las cosas no son lo que parecen

Rosa [email protected] - [email protected]


Seamos cr ticos1
Seamos críticos

Obtención de los resultados

  • ¿Es adecuada la técnica estadística utilizada?

  • T-Test

  • ANOVA de medidas repetidas

Rosa [email protected] - [email protected]


Seamos cr ticos2
Seamos críticos

Técnicas fraudulentas

  • Resultados antes de hipótesis

  • Hipótesis mal o vagamente definidas

  • Demasiadas hipótesis

Observad bien el evento

primario

o las hipótesis a contrastar

Rosa [email protected] - [email protected]


Seamos cr ticos3
Seamos críticos

Consistencia en los datos

  • Dentro del artículo

    • Texto

    • Tablas

    • Figuras

    • Abstract

  • Con artículos relacionados o mismos datos

  • Rosa [email protected] - [email protected]


    Abusamos de la regresi n
    ¿Abusamos de la regresión?

    Rosa [email protected] - [email protected]




    Seamos cr ticos4
    Seamos críticos

    Consistencia en los datos

    • Texto

    • Tablas

    • Figuras

    • Abstract

    Rosa [email protected] - [email protected]



    Seamos cr ticos5
    Seamos críticos

    ¿Me fío del valor?

    • Afirmaciones sin especificación de resultados

    • Porcentajes sin el denominador

    • Medias sin intervalo de confianza

    Rosa [email protected] - [email protected]


    Seamos cr ticos otro ejemplo m s
    Seamos críticos: Otro ejemplo más

    • A un paciente se le recomienda una intervención quirúrgica y pregunta por la probabilidad de sobrevivir.

    • El cirujano le contesta que en las 30 operaciones que ha realizado, ningún paciente ha muerto.

    • ¿Qué valores de P(morir) son compatibles con esta información, con una confianza del 95%?

    • Solución exacta, basada en la binomial:

      {0; 0,116}

    • Incluso si la mortalidad es de un 11,6%, en 30 intervenciones no se observará ninguna muerte con Pr=0,025

    Rosa [email protected] - [email protected]


    Y lo del denominador el famoso perro fant stico
    ... ¿Y lo del denominador?El famoso perro fantástico

    Rosa [email protected] - [email protected]


    Por que despu s pasa lo que pasa
    Por que después pasa lo que pasa

    Rosa [email protected] - [email protected]


    Algunos problemas metodol gicos

    Algunos

    problemas

    metodológicos

    Rosa [email protected] - [email protected]


    Comparaciones m ltiples
    Comparaciones múltiples

    • Cada contraste de hipótesis realizado conlleva un riesgo a de error tipo I

    • Múltiples contrastes aumentan el riesgo global:

      ar = 1-(1-a)k

    Rosa [email protected] - [email protected]


    Subgrupos
    Subgrupos

    • Se tiene menor poder (N menor)

    • A mayor número de subgrupos estudiados, mayor probabilidad de falsos positivos

      1-(1-0.05)G

      • Ej.: si G=10 =0.4 (40%)

    • En general, sólo se aceptan como carácter exploratorio

    • Se pueden realizar ajustes de , pero son bastante conservadores.

    Rosa [email protected] - [email protected]


    Seamos cr ticos6
    Seamos críticos

    La paradoja de Simpson

    • Es el caso más grave de factor de confusión: no sólo modifica la estimación del efecto, sino que la invierte

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    Interacci n
    Interacción

    • Presencia de un efecto modificador de la intensidad o sentido de la relación entre diferentes estratos de una variable.

      • Ejemplos:

        • Sexo con tratamiento.

        • Centro con tratamiento.

        • Edad con tratamiento.

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    Interacci n1
    Interacción

    IM Hábito de fumar

    No Sí

    Sí 9 34

    NO 491 466

    1.8% 6.8% d=5%

    Edad >= 45 años

    IM Hábito de fumar

    No Sí

    Sí 5 28

    NO 195 172

    Edad < 45 años

    IM Hábito de fumar

    No Sí

    Sí 4 6

    NO 296 294

    1.3% 2.0% d=0.7%

    2.5% 14% d=11.5%

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    Interacci n2
    Interacción

    % IM

    15

    Edad >= 45 años

    10

    5

    Edad < 45 años

    No Fumador

    Fumador

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    Interacciones

    8

    8

    8

    8

    6

    6

    6

    6

    4

    4

    4

    4

    2

    2

    2

    2

    0

    0

    0

    0

    Interacciones

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    Factores de confusi n
    Factores de confusión

    • Categoría especial de sesgos que cumplen:

      • 1) Son factores de riesgo para la enfermedad (o la variable en estudio).

      • 2) Se asocian a la exposición (o la intervención) en estudio.

      • 3) No son pasos o factores intermedios.

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    Factores de confusi n1
    Factores de confusión

    IM Café

    No Sí

    Sí 10 40

    NO 490 460

    2% 8% d=6%

    Fumadores

    IM Café

    No Sí

    Sí 2 7

    NO 18 73

    No fumadores

    IM Café

    No Sí

    Sí 8 7

    NO 472 413

    1.67% 1.67% d=0%

    10% 10% d=0%

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    Estudios de subgrupos
    Estudios de Subgrupos

    Estudio ISIS-2: Muerte vascular por subgrupos de zodiaco

    Geminis/Libra

    Otros Signos

    Aspirina Placebo

    Aspirina Placebo

    Muerte vascular 150 147

    Total 1357 1442

    11.1% 10.2%

    p=0.42045 d=-0.9

    Muerte vascular 654 868

    Total 7228 7157

    9.0% 12.1%

    p<0.0001 d=3.1

    Interacción p = 0.019

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    Subgrupos1
    Subgrupos

    • Recomendaciones: (Pocock, Simon, Peto)

      • 1) Examinar el en subgrupos sólo si el efecto global es significativo

      • 2) Examinar subgrupos sólo si la interacción es significativa

      • 3) Plantearse ajustes de  en función de los objetivos

      • 4) Aspectos que aumentan la credibilidad:

        • Pre-especificación en protocolo

        • Evaluar la plausibilidad biológica

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    An lisis multivariante paradoja de simpson 1951
    Análisis MultivarianteParadoja de Simpson (1951)

    • En 1973, 8.442 hombres y 4.321 mujeres solicitaron su admisión en la Universidad de Berkeley.

    • Se admitió al 44% de los hombres y al 30% de las mujeres.

    • El gobierno federal acusó a la Universidad de Berkeley de discriminación sexual.

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    An lisis multivariante paradoja de simpson 19511
    Análisis MultivarianteParadoja de Simpson (1951)

    Tasa de solicitud y admisión en las 6 carreras más importantes.

    OR hombres = 1,54  Una persona tiene 1,54 veces más probabilidad de ser admitida si es hombre.

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    An lisis multivariante paradoja de simpson 19512
    Análisis MultivarianteParadoja de Simpson (1951)

    • En la mayoría de las carreras las mujeres tuvieron tasas de admisión superior a los hombres (A, B, D, F).

    • Las excepciones fueron en pequeña cantidad (C, E).

      ¿De dónde surge la idea de la discriminación?

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    An lisis multivariante paradoja de simpson 19513
    Análisis MultivarianteParadoja de Simpson (1951)

    • Observar que es muy fácil entrar en las carreras A y B y que muchos hombres solicitan el ingreso en ellas.

    • Sin embargo las mujeres pretenden entrar en la carrera F que es muy difícil.

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    Seamos cr ticos7
    Seamos críticos

    • Si se disponen de datos...

    • ... No se han de desperdiciar. Unos datos bien ‘torturados’ al final cantan.

    ¡¡¡ p<0.05 !!!

    Rosa Morros@uab.es - Ferran.Torres@uab.es


    ad