Scribd Logo
Carica

Benvenuto in Scribd!

  • Capitulo 3 Dawson

    Caricato da

    SofiaMarmolejo
    618 visualizzazioni33 pagine
    Epidemiologia, estadistica basica

    Copyright

    © © All Rights Reserved

    Formati disponibili

    PDF o leggi online da Scribd

    Hai trovato utile questo documento?

    Questo contenuto è inappropriato?

    Segnala questo documento
    Epidemiologia, estadistica basica

    Copyright:

    © All Rights Reserved
    Scarica in formato PDF o leggi online su Scribd
    Segnala contenuti inappropriati
    618 visualizzazioni33 pagine

    Capitulo 3 Dawson

    Caricato da

    SofiaMarmolejo
    Epidemiologia, estadistica basica

    Copyright:

    © All Rights Reserved
    Scarica in formato PDF o leggi online su Scribd
    Segnala contenuti inappropriati
    di 33
    3 Resumen y presentacion de datos en cuadros y figuras 22 * Bivestadistica médica Planteamiento de problema 1 La embolla pulmonar (EP) es una causa importante de ‘orbildad y mortalidad, Las manitestaciones clinieas son inespectces y un dlagnéstico certo a manudo es aifcl de ‘eliza. Se han realizado esfuor2os por sinpliieary mejorar el proceso dlagndstco evaluando alos pacientes con postle EP ‘metiante dos componentes: Ia determinacién de probeblidad or preprueba ya prueba dol moro D. La probabiidad por proprucba se determina con el desarrolo de erteris explc fos para determinar la probablidad clniea de EP: La rusia dal dimero D mide a formacién de cmero D cuando las rees de fixina en el rombo son destuidas por modi dela plasmin. Puede usarse un elevado nivel de dimero D para descubrit lrombosis venosa profunda (TVP) y EP. Algunas pruebas de imaro D son muy sensibles para TVP,y puede usarse un re- Sullado normal para descarta el womboembolismo vento ‘lng eta (2002) decidieron desarrollar un conju deer torios eicas que defiifa un subgrupe de pacientes eon una probebiad por preprueba de EP mayor a 40% (grupo de alto Fiesgo). Estos paiantestendtfan un rlesgo tan elovado de ak. perimentar EP como para excl el agnésico con bate en omprebacin del dimero D. Sin embargo, pacientes con una probabildad por preprucha mas baja (grupo se bajo riesgo), fen quienes un resuade normal podrie ayudar exclu o iage nice de ER podrian ser los cancldstas esles para la com probacién con ol dimero:D. Los datos se obiuveron de 936 Pacinos con sospecra de EP en slete series de urgencias Uioanos en EUA. Los investigadores miseron varios lactores de iesgo potenciales para EP y se observaron algunos atibu- tos bisices de las observaciones en este capitulo. En la S00. 66n Cileulo do las medias de endencia central se prosenta, luna muesta aleatoria de ebservaciones sobre el Indice de ‘chaque en 18 pacientes Planteamiento de problema 2 El emvejecimiento de la goneracisn baby-boomers esti provo- ‘cco importantes cambios domogrfcos ena poblacién, con ‘grandes implcaciones para ls planiflcadores de los culdados, ela salud. En EUA se espera on los préximos 30 aos un ‘fan aumento do la propereisn de personas mayoroe ce 75 ‘hes. Con el envejecimiento de la pablacin, la dacinacion funcional en consocuancia por la scapacidad y mobildad es tun gan reto para los sistemas de sald. Hébert ef al. (1997) disenieron un estuxio para medi fa , Cuando sea posible, a amplitud de las clases debe ser igual. Con amplitudes de clase desiguales se pre- sentan problemas para hacer grifcasydeben were cuando haya grandes brechas en los datos. Siempre que se pueda, deben evitarse las clases abier tas en los extremos superior e inferior de la varis- cién, ya que no comunican con precision la variacion, delas observaciones. El cuadro 3-2 se usaron las cla- ses abjertas cuando se tenian las categorias de 0.40.0 ‘menos y 1.20 0 mayores. 4. Siempre que sea posible, escoger los limites de clase de tal modo que Ia mayor parte de los datos en la clase queden lo mis cerca posible al punto medio de ésta y no cerca del extremo de la misma. Se ob- tiene un mejor estimado de la media de los datos reales cuando la media cargada se calcula a par- tir de una tabla de frecuencias (véase la seccién. Media) 5, Hacer un recuento del ntimero de datos de cada clase; si-se esté construyendo un gréfico de tronco y hojas se notaré el valor real de los mismos. Si se esté constru- yendo una tabla de frecuencias, bastaré usar el nimero de observaciones que caigan dentro de la clase Los programas de computadora por lo general dan una lista de todos los valores que aperezcan, junto con su fre ‘cuencia, Quienes usen estos programas deben designarlos limites de clase si desean formar tablas de frecuencia para valores en intervalos especificos, como en el cuadro 3-2, codificando las observaciones originales. Algunas tablas slo presentan frecuencias (nimero de pacientes 0 personas), otras slo porcentajes. Los porcen- {ajes se obtienen dividiendo el mimero de datos en una clase definida n, entre el total del niimero de observacio- zes,n, y luego multiplicandolo por 100. Por ejemplo, para laclase de indice de choque de 0.40 hasta 0.50 en el cua- dro 3-2, el porcentaje es: 194. 100 = 0.112 x 100, 011.2% AL 100 a 31 Para algunas aplicaciones es deseable obtener las frecuen- cias acumuladas, o porcentajes. La frecuencia acumulada es el porcentaje de observaciones para un valor determi- nado mis el de todos los demas valores inferiores. El valor acumulado en la tltima columna del cuadro 3-2, por ejem- plo, muestra que casi 75% de los pacientes tuvo un indice de choque menor que 0.80. Resumen y presentacién de datas en cuadros y figuras ° 33 q Las gréficas se utilizen mucho en medicine en revistas de este campo, diapositivas para presentaciones en confe- rencias profesionales y en la literatura publicitaria drigida al personal de salud. Los graficos més itles en medicine son los histogramas, grificos de caja, de error, de distribu- ion y graficas lineales. Histogramas, gréficos de caja y poligonos de frecuencia Histogramas En la figura 3-3 se muestra el histograma de los cambios et las calificaciones de los ancianos del estudio de Hebert eal (1997), acerca dela estbilidad funcional. Los histogramas presentan la medicién de interés en el eje Xy el mimeroo porcentaje de observaciones en el eje ¥, aunque algunos programas de computadora hacen lo contrario. El uso de rmeros 0 porcentajes depende del propésito del histo- sgrama; por ejemplo, se recurria a los porcentajes cuando se comparen dos histogramas basados en diferentes ntime- ros de sujetos. Puede notarse que los nimeros de los pacientes de cada clase son diferentes de los que se encuentran cuando se crean grificos de tronco y hojas. Esta incongruencia sucede porque la mayor parte de los programas estadisti- cos de las computadoras determina en forma automatica Ios limites de las clases. Como en ls tablas de frecuencia, es posible registrar los niimeros con una nueva medida si se quiere especificar los limites de la clase ‘Natese que el area de cada barra es proporcional al porcentaje de resultados en ese intervalo; por ejemplo, los rnueve datos en el intervalo =5 (valores entre~7.5 y -2.5) constituyen 9/72, 0 12.5%, del rea cubierta por el histo- ¢grama; por tanto, tn histogeama brinda informacién acerca, del drea. El concepto de érea es uno de los motivos por el cual la amplitud de las clases debe ser igual, de otro modo Taaltura de las columnasen el histograma debe modificarse 0 vo 4 Frecuanoa do camtioe AR pape 40-5 0 5 10 15 20 25 00 95-40 45 60 55, Cambios en caliccn cel SMAF (Norg0 2 menos lee 1) Figura 3-2. Histograma del cambio on las calficaciones de la fun- cid oll con categoria de 5 puts. (Datos ulizados con autrzacién {de Onord Univeral Prese, de Hébort A, Brayre C, SpiogalaltrD: Incidence of functional decine and improvement in @ community- dueling, vary elderly population. Am J Epidemiol 1997:145'935-046, ‘Grafica producia con el SPSS, una marca registrada de SPSS, ne. usado con aulorzadin, 34 © Bioestadistica médica para mantener el érea correcta. Por ejemplo, en la figura 3-3, sila clase inferior fue de una amplitud de 10 puntos (de=12,5 a-2.5) y las dems clases fueran de 5 habria 11 resultados en el intervalo. Sin embargo, la altura de la co- lumna para ese intervalo seré de sélo'5.5 U (en vez de 11), para compensar el doble de su amplitud, Graficos de caja El grafico de caja, a veces llamado grafico de caja y bar- bbas por Tukey (1977), es otra manera de mostrar la infor- ‘macin cuando el objetivo es ilustrar ciertos puntos en la, distribucién, Se construye con Ia informacién de un grafi- co de tronco y hojas o une tabla de frecuencia. En el cua- dro 3-7 se presenta un gréfico de tronco y hojas de los, pacientes de 85 afios de edad y més. Para construir el gré- fico de caja se uss la medisnas, asi como el primero y ter- cero cuartiles de la distribucién. No es comin que los pro- gramas para computadora muestren la mediana y fos Cuartiles 75 y 25 con los grificos de tronco y hojas, pero es ficilsolicitar esta informacion, como se ilustra en el cua- dro 3-7. El cambio mediano en la calificacién SMAF es, 255, el percentil 75 es 9 y el percentil 25 es 0. ‘Nétese que los valores para el tronco son diferentes alos que de los que se-usan debido a que la mayor parte de los programas de computadoras determinan los valo- res del tronco. En el cuadro 3-7 existe un valor del tronco ppor cada dos valores del cambio de las calificaciones SMAR. ‘Aunque no es muy evidente, los valores del tronco repre- sentan los tamafios de clase 2 y se interpretan como sigue: (Capitulo 3) para [os nimeros que terminan en 0 y 1;T representa los rimeros con terminacién en 2 y 3; F representa los ni meros terminados en 4 y 5; $ representa los niimeros que terminan en 6 y 7; y * representa los nimeros terminados enBy9 Un grafico de caja de los cambios en las calificaciones ‘SMAF para pacientes de 85 afios 0 mas se representa en la figura 3-4." Se dibuje una caja con la parte alta en el tercer ccuartly la baja en la primera, a vecesse dice que los cuartiles son las bisagras de los graficos de caja. La longitud de ésta ‘es una representacién visual de la variacion intercuartilar, representacién de 50'% medio de los datos. No importa la emplitud de la caja. La localizacién del punto medio ‘mediana della distribucién se indica con una linea horizon- tal en la caja, Por iltimo, las lineas verticales, 0 barbas, se extienden 1.5 veces més de la varicién intercuertiler por arriba y debajo de los percentiles 75 y 25. todo valor que quede arriba o debajo de las barbas se le llama extremo. Los grificos de caja ofrecen gran cantidad de infor macién, por ejemplo, en le figura 3-4 se observan los cam- bios en las calficaciones que varian en aproximadamente 10a cerca de 35 (de hecho, de 8). La mitad de los cam bios de las calificaciones estuvieron entre 0 y8, la medi na fue un poco mayor de 0. Existen siete valores extremos, cuatro pacientes tuvieron cambios de calificacion mayo- res de 35 puntos. ‘Tara este andliss se escogieron los siguientes pacientes: 2 85 aos, calificacién SMAF total de 3 21 ‘Cuadiro 3-7. Informacién descriptiva y gréfica de tronco y hojas de los cambios en la calificactén total de la SMAF para sujetos de 85 aflos o mayores Cusrilles de los cambios de callicacién de SHAF Parémotro ercontil 10 Percent 25, ercontil 50 Percentil 75 Percent 90 Valor =4 0 25 ® 224 a5% LOL 6 3 i 5 io esx UCL 2 1 4 8 40 ‘Seccién de tronco y hoja de los cambios do calificaciones del SMA Protundided Tronco Hojas 2 = ae 3 s |e 8 F | Ssaaae 3 1 |sa22 19 -o | 111000 28 | aooars11 1) 1 |zepzzezesss000 20 RB | aaass 2s s |r a 889909 v7 x 00000 2 T 2 Fs "1 s "1 = leo ° a |i Ato 29, 27,28, 37,40, 47,88 Teal Ejemplo: 112 Representantes 12 Fonte datos usados oon adorzscié d og aloes de Orford Unarly Pres, da Haber Ri Grayno G, SplegoalorO: ndence of funconal ecine ard improvementina commute dweling very ede population Armd Eisen! Tour taB:996-O44 Grates proses pore NGOS, uso con sani | 1} : | | ccanssas 400 200 T ‘Tiempo 3~Hemp0 1 Vasebles Figura 9-4. Gica de caja de los cambios enlacaliicacién del SMAF para pacionitos de @5 aos o mayores. (Datos llizades con autorza- ‘inde Oxford University Pross, de Hébert R, Brayne C, Spioglhalter 1 Incidence of funetonal decine and improvement ina community ‘veling, vty elderly population. Am J Epidemiol 1007-148:035-044, (Gali producda con et NCS, usada con autoizacién} Poligonos de frecuencia Son gréficas lineales similares a los histogramas, muy iti les para comparar dos distribuciones en la misma grifica. El primer paso para construir un poligono de frecuencias Resumen y presentacién de datos en cuadros y figuras * 35 es generar un grifico de tronco y hojas o una table de frecuencias. El cuadro 3-8 presenta las frecuencias del in- dice de choque para pacientes con y sin EP. La figura 3-5 es un histograma basado en las frecuen- cias de varones con un poligono de frecuencia superpuesto en él, Esto demuestra que los poligonos de frecuencia se construyen a partir de la conexién de los puntos medios, de las columnas de un histograma. Por tanto, las mismas sguias que se dieron para construir las tablas de frecuencia, yl histogramasse aplican pra contri os poligonos de frecuencia. Nétese que la linea se extiende desde el pun- to medio de la primera y iltima columnas hasta el eje X para cerrar ambos extremos de a distribucién ¢ in una frecuencia cero de cualquiera de los valores que salgan de los extremos. En vista de que un poligono de frecuen- cia ge bass en un histograms, los poigonos de frecuencia también muestran éreas. Gréficos que comparan dos o més grupos Observar silo los ntimeros en el cuadro 3-8 es insuficien- te para decidir sila distribucién del indice de choque es similar para los pacientes con y sin EP. Varios métodos son ‘itiles para comparar las dstribuciones. Los gréficos de caja son muy eficaces cuando hay mas de un grupo, y aqui se muestran pare el indice de choque entre los pacientes con y sin EP en la figura 3-6. Las dis- ‘tibuciones del indice de choque son similares, aunque existe més variabilidad en los pacientes sin EP, y el indice de la medina es ligeramente més alto en aquellos que tenian EP. Existe una diferencia entre los dos grupos; en el capitulo 6 se da la respuesta Cuadro 3-8, Tablas de frecuencias para indice de choque ‘A. Indice de choque en pacientes que no tienen EP Categoria ‘Cuenta ‘Cuenta Porcentaje Porcentaje Grafica do cumulada acumulado poreentaje (0.40 menos Ss 33 439 439 7 (0.40 hasta 0.49 4 127 1252 1691 mn 050 hasta 058 160 287 21.80 3822 nna 060 hasia 088 161 448 2i4a 5055 mam 070 hasta 0.78 120 568 1598 75.63 mn 0.80 hasta 0.89 0 657 11.85 2748 mu 0.20 hasta 0.89 3 686 519 2268 " 4100 hasta 1.09, 2 728 373 9640 1 4:40 hasta 1.19, 1s 79 200 98.40 1 1200 mayor 2 75 180 100.00, 1 8B. Indice de choque en pacientes que tienen EP Categoria ‘Cuenta Cuenta Porcentaje Poreentaje Grética de scumulada ‘acumulado porcentajo (0.40.0 menos: 5 5 276 276 7 0.40 hasta 0.29 10 5 552 B29 m 0.50 hasia 0.58 2 53 20.99 2028 am 0.0 hasta 0.69 = ot 20.98 5028 ‘mn (070 hasta 0.79 a5 128 49.34 6951 mn (0.20 hasta 0.89 3 138 718 7630 ” 0.0 hasta 0.89 a 160 11180 8840 m 4100 hasta 1.08 ° 168 497 93.37 1 10 hasta 1.19, 4 173 221 95.58 1 1200 mayor or 181 l 44 100.00, ii "Posie ale llzados con aoa Gols ares yl edi, Kine JA, Nelson RO, Jacioan RE, Goutroy ON Gioia oto alo ue of mer eta ‘emergency dparimont pants wih supecid pumondry erbolism: A mulicenter US sty Amn Emergency Med 200a:8: 144-132. Cuadoproduido cn ol NESS: usado con sutoracion The Amerean Coleg of ergency Physics, 36 * Bivestadistica médica go_tistorama de nece de chaque aces con EP Numero de pacientes L mt TT Te Indice de choque Figura 3-5. Pligano de frecuencia del indie de choque para pa- antes con emboia pulmonar. Kline JA, Nelson AD, Jackson RE, ‘Courtney DN: Giteria forthe safe use of D-dimer teting in emergency, Larelacion siempre se define como una parte dividida en- ‘re otra parte. Por ejemplo, en el caso de los médicos entrens- dos, la relacion de quienes detectaron pacientes con aque- los que no lo hicieron fue 175/27 = 6.481. Otras relacio- nes familiares en medicina incluyen releciones de los tres componentes del colesterol (HDL, LDL, tiglcéridos), asi como la relacion LDL/HDL, ‘Las tasas son similares a las proporciones, excepto en ‘quese usa un multiplicador (p.¢, 1 000, 100000 100.000), yyse calculan para un periodo especifico. Al multiplicador see llama base, la formula es: asa = 2x base ab Por ejemplo, si un estudio duré exactamente un aio y la proporcion de pacientes con una condicién dada fue de (0,002, la tasa por 10 000 pacientes seri (0,002) x (10.000), © 20 por 10 000 pacientes por aio. Tasas de estadisticas vitales Las tasas son muy importantes en epidemiologia y en le medicina basada en evidencias, son la bese para calcular las estadisticas vitales, as cuales describen el estado de sa- Jud de las poblaciones; en las siguientes secciones se defi- nen de manera breve algunes de las tasas mis usadas. Tasas de mortalidad Son una manera estindar pare compara los nimeros de _muertes que ocurren en diferentes poblaciones, ya sea por diferentes enfermedades en la misma poblacién o en dife- 38 * Bioestadistica médica rentes periodos. El numerador en una tasa de mortalidad es el ntimero de personas que fallecié en un periodo de- terminado, en tanto que el denominador seré el ntimero de personas que estuvieron en riesgo de expirar durante el mismo periodo, En vista de que el denominador por lo general es dificil de obtener, con frecuencia se usa el ni mero de personas vivas de la poblacién a la mitad de ese periodo como una aproximacién. En el cuadro 3-10 se ofrecen los datos de mortalidad de las Vital Statistics of the United States. ‘Una tasa real es la tasa calculada para todos los indivi- duos de una poblacién determinada, por ejemplo, la tasa de mortalidad anual real de toda la poblacién del cuadro 3-10 fue de 872.5 por 100 000 en 1996. La tasa de mor- talidad especifica por sexo fue 896.4 para varones y 849.7 (Capitulo 3) para mujeres por 100 000. Al comparar las tasas de mor talidad especificas por sexo a través de los afios que se proporcionan en el cuadro 3-10, la tasa de mortalidad parece haber aumentado para las mujeres. {Tiene sentido © hay otra explicacién? Considérese que un gran némero cde mujeres mayores pudo haber vivido hasta 1996 en afios, previos. Esta hipStesis puede examinarse al ajustar las ta- sasde mortalidad por edad de las personas en riesgo, Cuan- ido se observan las tasas justadas por edad del cuadro 3-10, se observa que las tasas han declinado, como era de espe- rarse; se amplia esta informacién en el tema Tasas ajustadas Las tasas de mortalidad especificas por causa miden los descesos en una poblacién ya sea por enfermedad 0 evento adverso especificos. Comparar as tasas de mortali- dad especificas por causa en un periodo ayuda a los epide- Cuadro 2-10. Numero de muertes, tasas de mortalidad y tasas de mortalidad ajustadas por edad, ‘raza y sexo: EUA de 1987 a 1996 ‘Wimoro de muertos en EUA do 1987 a 7006 “Todas as razas, ‘Blanca Negra ‘Ase | Ambos sexos"| tascutine | Femenino |Ambos sexos| Mascutino|Femenino | Ambos sexos| Maseulino| Femenino voas | 2314600 | 1163560 | visti21 | 1902066 | oot 984 | 1000982] 282080 | 49472 | 132617 isos | 2at2ta | tizzeso | 11a9173 | 19874s7 | oa7277 | ceo 160] 296401 | ise i7s | 132.226 ses | 227004 | 1162747 | t 116247 | 1959875 | 985.823 | o71052| zaza7a | 153019 | 129960 sous | 226553 | 1161707 | 1106756 | 1951437 | 988.520 | oss 10s | 282151 | 153502 | 128649 rose | 2175613 | 1122396 | 1053277 | 1873761 | 955057 | oreaea| 26219 | 146630 | 122589 soot | 2ie9ste | it2tass | tos7ass | 1esac0e | 956497 | ot24o7| 209825 | 147asi | 122194 ye90 | 2t4e463 | 1113417 | 103066 | 1453254 | ssoat2 | oo] 265400 | 145.950 | 120199 soe.| 2150466 | 1114190 | 1036276 | tesseq | gsoas2 | on2oaa| 26762 | 146392 | 121249 sss | 2167999 | 1125840 | 1042459 | 1876908 | 965419 | 911487) 264019 | 144228 | 119791 toe7 | 2123920 | 1107058 | 1o1sacs | 1e4s067 | o5aa2 | cavcas| 254ar4 | 129551 | 115263, 1s de mortalidad en EUA por 100 000, de 1867 a 1996 rv | 8725 295.4 2497 oes | 9104 soz] 0120 | e099 | 7595 195 | 0900 oi era ona | 9321 aoa} aca2 | ga07 | 7500 so | o7s4 9150 76 oosa | gar ssoi| seas | oss | 7520 sas | a800 9235 8386 08s | 9388 s7ea| 8768 | 10063 | 760-1 roe | asze 901.8, 2065 aoo | are asa) esos | o77s | 7982 ro | e003 ort sito see2 | ana aa7| seo | 987 | 7445 io | e638 9184 8120 se80 | 9309 siso| sia. | 10080 | 7479 soe | aria 9263 aig a2 | 65 asia| aaa | 10267 | 7oa2 vss | e867 945.1 12 sows | ora sess) sess | 10281 | 7648 sos | sree 939.3 8167 900-1 952.7 sis] eso | 10062 | 745.7 “Tasas de mortalidad sjustadas por edad en EUA por 100 000, de 1987 a 1995 toos [401.6 6237 381.0 ess | 5014 sero] 7388 | 9670 | Seto 1905 | soa 646.3 3852 are | 6105 sees| 7657 | 10167 | sri0 roa | sora 658.5 8852 ams | si79 seas| 7721 | 10299 | 5720 103 | 5133 68.3 380.3 431 | 6275. ser7| 7052 | 10522 | S788 1992 | S045 656.0 3803 as | e209 aseo| 7675 | 10269 | se84 193t 5137 659.9 3865 ass | ese 2ee3| 7007 | 10489 | 975.1 te | 5202 680.2 3906 428 | eas 3609 | 7092 | 10613 | sa18 roo | 5280 620.3 3973 4oo6 | 6522 a760| 9059 | 10828 | 5043 198 | 5399 708.1 408.1 sis | ors gess| s0a7 | 10830 |. 6010 ise7 | 5392 x 404s sis7_ | e742 sess | 7964 | 10636 | _se24 "Tas resos pata por 100000 habtanes en grips eopctiony aaa de edad luiadas por aaa por 10000, palacon ealindr por isso an EUA Lasiaras nueradas coal poraloe ace dos eneae.y scala jo pratoe Geman ees Sa excuyen aa muses alos n> Fuente adapado con autoizacin de Peters KO, Kochanek KO, Murphy SL: Deaths: Fina data for 199, Nato! Vil Sasi Report VoL 47,9, 18. Naina Comrie Heath States, 1996 {© era Mart Modena Feces san x Sa. rmiglogosa determinar los posibles factores predisponentes enla presentacién de enfermedades y hacer proyecciones sobre tendencias futuras. Otras tasas de mortalidad usadas con frecuencia son. lade mortalidad infantil y la de letalidad por caso. La tasa de mortalidad infantil, que en ocasiones se usa como indi- cador del grado de atencién de la salud. general de una poblacion, es el ntimero de nifios menores de un afio que fallecen por 1 000 nacidos vivos. La tasa de letalidad por aso es el nimero de muertes por una enfermedad especi- fica que se presenta en un periodo determinado dividido entre el niimero de individuos con la enfermedad especi- ficada durante ese periodo. Tasas de morbilidad Son parecidas 2 las de mortalidad, pero muchos epidemi6- logos opinan que las tasas de morbilidad proporcionan una ‘medida mas directa del estado de salud de una po- blacién, Latasa de morbilidad ese nimero deindivi- duos que presentan tn padecimiento en un periodo determinado dividido entre el ntimero de personas de una poblacion en riesgo. La prevalencia y la incidencia son dos medidas impor ‘antes usadas cop frecuencia en epidemiologia. La preva- Iencia se define como el niimero de individues con una ‘enfermedad determinada, en cierto punto dividido entre la ppoblacién en riesgo de tener esa enfermedad en ese mo- ‘mento, La incidencia se define como el ntimero de casos nuevos que se presentan en un intervalo determinado divi- dido entre la poblacién en riesgo al inicio de ese intervalo. (En vista de que la prevalencia no comprende un periodo, en la actualidad es una proporcién, pero se le considera en forma incorrecta como una tasa,) El término “incidencia’ se usa a veces de forma errénea cuando en realidad se trata de una “prevalencia”. Una manera de distinguir ambos tér- inos es fijarse en las unidades: la incidencia siempre se expresa en términos de unidad de tiempo. Puede dibuarse una analogia entre prevalencia einciden- cia y dosde los dseiios de estudio explicados en el capitulo 2. ‘La prevalencia es como una instantanea en el tiempo, como lo es un estudio de corte transversal. De hecho, a muchos estudios de corte transversal, los epidemidlogos los lla- man estudios de prevalencia, Por otra parte, la incidencia requiere que transcurra cierto periodo, similar al de los estu- dios de cohorte. Debe recordarse que estos éltimos estudios empiezan en un momento determinado y continian para examinar desenlaces en un tiempo especifico del estudio. Los epidemiélogos emplean las tasas de prevalencis © incidencia para evaluse patrones de enfermedad y proyec- ciones futuras. Por ejemplo, la diabetes mellitus tiene una prevalencia creciente aunque su tasa anual de eproximads- ‘mente 230 casos por 100 000 se ha mantenido relativamen- te estable en los iltimos aios. La razon de esta diferencia squeal presentarse la enfermedad, un paciente continia teniendo diabetes por el resto de su vida, pero los avances ‘en los cuidados de los diabeticos han aumentado el perio- do de vida de éstos. Por el contrario, para enfermedades de corta duracién (p. ¢., influenza) 0 con una mortalidad precoz (p.¢j., cancer de pancreas), la tasa de incidencia es ‘mayor que la de prevalencia Resumen y presentacién de datos en cuadros y figuras ° 39 & Tasas ajustadas Pueden usarse tasas reales para realizar comparaciones en- tre dos poblaciones diferentes s6lo si éstas son similares en todas las caracteristicas que puedan afectarlatasa, por ejem- pio, si las poblaciones son diferentes o se ven confundidas por factores como edad, género o raza, deben usarse tasas especificas por edad, género 0 raza, o ajustar las tasas res les, de otro modo no serén validas las comparaciones, Es comiin queen medicina se justen ls tases por edad. Por lo general, dos poblaciones de interés tienen diferentes distribuciones por edad, también muchas de las caracteris- ticas que se estudian en medicina estin afectadas por la edad, lo que hace que sean mis o menos frecuentes segtin ‘envejecen los individuos. Si se compararin dos poblacio- nes, las tasas deben ajustarse para reflejar lo que serian en caso de que las distribuciones por edad fuesen similares, Método directo para ajustar tasas Como ejemplo, supéngase que un investigador compara Tas tase ce mortalided infant de un pais desarellado con las de otro en vias de desarrollo y concluye que la tasa de mortalidad del dltimo es casi el doble que la tasa del pri- mero. (Esta conclusi6n es errénea?, chay posibles factores de confusién que afecten la mortalidad infantil de tal modo que se distribuya de manera diferente en ambos paises? Existe una relacién entre el peso al nacer y la mortalid y en este ejemplo, una comparacién vilida de ls t ‘mortalidad requiere que la distribucin de los pesos. cer sea similar en los dos paises En el cuadro 3-1] se pre- sentan datos hipoteticos, La tasa real de mortalidad infantil para el pais desarro- lado es 12.0 por 1 000 nitios, para el pais en vias de desa- rrollo es de 23.9 por 1 000. Las tasas especificas para el segundo pais son mayores para todas las categorias de peso al nacer. Sin embargo, ambas distibuciones de peso al nacer no son las mismas: el porcentaje de nifios de bajo peso al nacer (<2 500 g) esmas de dos veces el porcentaje mayor en los paises en vias de desarrollo, En vista de que el peso al nacer y la mortalidad infantil se relacionan, no es posible determiner qué porcentaje de diferencia en las tasas rea- les de mortalidad entre ambos se debe alas diferencias en Ia mortalided especifica por peso y qué cantidad se debe a la mayor proporcién de recién nacidos de bajo peso al nacer en el pais en vies de desarrollo. En este caso, las tasas de mortalidad deben estandarizarse o ajustarse para que sean independientes de le distribucién del peso al nacer* La determinacién de la tasa ajustada es un proceso simple, siempre y cuando se disponga de informacién como iadel Cuadro 3-11. Para cada poblacion se deben conocer las tasas especificas, Notese que la tasa real de cada pais es, de hecho, un promedio cargado de las tasas especificas,en las que el niimero de neonatos nacidos en cada categoria de peso al nacer se usan como las cargas. Por ejemplo, la ‘Desde luego que otros Factores distintos del peso al nacer pu den afectar Ia mortalidad, yes importante recordar que la co- rreceién de un factor no corrge otros 40 * Bioestadistica médica (Capitulo 3) Cuadro 3-11. Tasa ajustada de mortalidad infantil; método directo Peis desarrollade Pais en vias de desarrollo Nasimientos ivertes Nacimientos Muertes Peso al nacer | W(por'1000)| _% Nim. esa_|Wipor 1 000] % ‘Nim. asa <15009 20 70 870 435 30 2 7 860 620 js00a2400g] 30 8 420 180 % 32 300 200 225009 150, 5 1050 79 65 a 585, 2.0 Tora 200) 2400 20 140) 365 239. ‘asa real de mortalidad en el pats desarrollado es 2 400/ 200 000 = 0.012, 0 12 por 1 000, y es igual a E (Tusa x N) _ (49.5 x 20) + (16.0 x 30) + (7.0 x 150) ‘Ntotal = 20430, 150 400.6 12 por 1 000, 200 En virtud de que el objetivo de ajustar las tasas es hacer que reflejen dstribuciones similares, se utilizan los niime- ros de cada categoria de una poblaci6n, llamada poblacién de referencia, como las cargas para formar los promedios ccargados para ambas poblaciones. No importa la pobla- ‘ign que se elije como referencia, de hecho, puede usarse un grupo de frecuencias que corresponda a une poblacion de referencia totalmente distinta. El punto es aplicar el mismo grupo de mimeros alas dos poblaciones. Por ejemplo, si se usan los némeros de neonatos en cada categoria de peso al nacer en el pais desarrollado como la referencia y se aplican a las tasas especificas del pais en vies de desarrollo, se tendra 2 (Tasa x N esténdar) “asa sustada = = Casax Masti (62.0 « 20) + (20.0 « 30) + (0.0 x 150) 20490 +150 3190 = 4190_, 915.95 por 1 000 7200 a ‘Por tanto, la tasa reel de mortaidad en el pais en vies de de- sarrollo seré de 15.95 por 1 000 (en vez de 23.9 por 1 000) si fueron distribuidas las proporciones de los pesos al na- ccerde los neonatos de igual forma a como’ hizo en el pais deserrollado. Para emplear este método de ajuste de tasas deben co- nocerse las tasas especificas de cada categoria de las po- blaciones que se vayan a ajustar y las frecuencias en la poblacién de referencia para el factor que se quiera ajus- tar. A este método se le denomine método directo para estandarizacién de tasas. Método indirecto para ajuste de tasas ‘Avveces nose dispone de tases especificas de una ode las dos poblaciones que se van a coniparar. Si se conocen las fre- cuencias del factor de ajuste, como la edad o el peso al racer para cada poblacién y se cuenta con cualquier gru- po de tasas especificas (ya sea de una de las poblaciones que se va a comparar o de cualquier otra), puede usarse un método indirecto para ajustar las tasas. El método indirec- to da lugar a una relacién de mortalidad estandarizada que se define como el niimero de muertes observadas di- vidido entre el niimero de muertes esperadas. ‘Como ejemplo, supéngase que se dispone de la distri- bucion de pesos al acer tanto de los pases desarrllados ‘como en vias de desarrollo, pero slo se tienen las tasas de mortalidad especificas de otra poblacién, nombrada po- blacién estindar en el cuadro 3-12. El niimero esperado de muertes se calcula en cada poblacién mediante las ta- ‘sas especificas de la poblacién estindar. Para el pais dese- rrollado, el niimero esperado de muertes es (60.0 x20) + (20.0 x30) + (10.0 150) = 8100, En el pais en vias de desarrollo, el nimero esperado de muertes es (60.0 x 30) + (20.0 45) + (10.0 x 65) = 3050 Larelacién de mortalidad estindar (ntimero real de muertes dividido entre el nimero esperado) para el pais deserrollado es 2 400/3 100 = 0.77. Para el pais en vias de desarrollo, esta misma relacién es 3 345/3 050 = 1:1. Sila relacion de mortalidad estindar es mayor de 1, como en el pais en vias de desarrollo, la poblacién de interés tiene una tasa de mortalidad mayor que la de la poblacién esténdar. Si la tasa de mortalidad estandar es menor de 1, como sucede en el pais desarrollado, su tasa de mortalidad es menor que la de la poblacién estindar Por tanto, el método indi- recto permite hacer una comparacién relativa. Por el con- trario, el método directo permite hacer una comparacién (Cuadro 3-12. Tas ajustada de mortalidad infantil: ‘método indirecto ‘Nmero de necimiontos | Tasade (or 100), mortalided Peso al nacer ‘spectticn Pals en vias | por 100 en desarrollado \de desarroio | poblacien “=1500 20 2 4500 a2 499 4 30 4 200. 225009 150 6 100 ‘Wimero de ‘muertos, 2.400 334s I i 40 * Bioestadistica médica (Capitulo 3) Cuadiro 3-11. Tasa ajustada de mortalidad infantil; método directo Pals desarrollado ais en vias de desarrollo = Nacimientos tvertes acimientos Muertes Peso alnacer | w(portoo0)| _% Nam. tesa [wiport.000)| _%. ‘Nim. asa “<1 500 g 20 70 870 235 30 at 71860 20 1500224009] 30 8 480 160 5 a2 00 20.0 225009 150 % 1050 79 65 a 585 8.0. “Tota 200 2400) 120 140 3348 zs ‘asa real de mortalidad en el pais desarrollado es 2 400/ 200000 = 0.012, 0 12 por 1 000, y es igual a E (Tusa x N) _ (48.5 x 20) + (16.0 x 30) + (7.0 x 150) ‘rota! 20430, 150 400,» 12 por 1 000, En virtud de que el objetivo de ajustar las tasas ¢s hacer que reflejen dstribuciones similares, se utlizan los niime- ros de cada categoria de una poblaci6n, llamada poblacion, de referencia, como las cargas para formar los promedios ccargados para ambas poblaciones. No importa la pobla- ‘ign que se elije como referencia, de hecho, puede usarse un grupo de frecuencias que corresponda a une poblacién de referencia totalmente distinta. El punto es aplicar el mismo grupo de nimeros alas das poblaciones. Por ejemplo, si se san los némeros de neonatos en ceda categoria de peso al nacer en el pais desarrollado como la referencia y se aplican alas tasas especficas del pais en vies de desarrollo, se tendra 2 (Tasa x N esténdar) ‘Tasa ajustads . ‘Niotal estandar| = (62.0 x 20) + (20.0 « 90) + (9.0 x 150) 20+ 30 +150 +5190, 0 15.95 por 1 000 200 pe Por tanto, la tasa real de mortaidad en el pais en vies de de- sarrollo seré de 15.95 por 1 000 (en vez de 23.9 por 1 000) si fueron distribuidas las proporciones de los pesos al na~ cerde los neonatos de igual forma a como'se hizo en el pais desarrollado, Para emplear este método de ajuste de tasas deben co- nocerse las tasas especificas de cada categoria de las po- blaciones que se vayan a ajustar y las frecuencias en la poblacién de referencia para el factor que se quiera ajus- tar. A este método se le denomina método directo para estandarizacién de tasas. Método indirecto para ajuste de tasas ‘A,veces no se dispone de tases especificas de una ode ls dos poblaciones que se van a comiparar. Si se conocen las fre- cuencias del factor de ajuste, como la edad o el peso al racer para cada poblacién y se cuenta con cualquier gru- po de tasas especificas (ya sea de una de las poblaciones que se va a comparar 0 de cualquier otra), puede usarse un método indirecto para ajustar las tasas. El método indirec- to da lugar a una relaci6n de mortalidad estandarizada ue se define como el niimero de muertes observadas di- vidido entre el niimero de muertes esperadas. ‘Como ejemplo, supéngase que se dispone de la dstri- bucion de pesos al hacer tanto de los pases desarrllados como en vias de desarrollo, pero slo se tienen las tasas de mortalidad especificas de otra poblacién, nombrada po- blacién esténdar en el cuadro 3-12. El niimero esperado de muertes se calcula en cada poblacién mediante las ta- sas especificas de la poblacién estindar. Para el pais dese- rrollado, el niimero esperado de muertes es (60.0 x20) + (20.0 x30) + (10.0 150) = 8100, En el pais en vias de desarrollo, el nimero esperado de miuertes es (60.0 x30) + (20.0 45) + (10.0 x 65) = 3050 Larelacién de mortalidad estindar (nimero real de muertes dividido entre el nimero esperado) para el pais deserrollado es 2 400/3 100 = 0.77. Para el pais en vias de desarrollo, esta misma relacién es 3 345/3 050 = 1:1. Silarelacion de mortalidad estindar es mayor de 1, como en el pais en vias de desarrollo, la poblacién de interés tiene una tasa de mortalidad mayor que la de la poblacién estindar. Si la tasa de mortalidad estandar es menor de 1, como sucede en el pais desarrollado, su tasa de mortalidad es menor que la de la poblacién estindar. Por tanto, el método indi- recto permite hacer tna comparacion relativa. Por el con- trario, el método directo permite hacer una comperacién ‘Cuadro 3-12. Tasa ajustada de mortalidad infantil: ‘método indirecto ‘Nimero de nacimiontos | Tasade (or 100), mortalided Peso al nacer ‘specttion Pai Pais en vias | por 100 en desarrollade |de desarrollo | —poblacion festandar “<1 500 20 2 500 1500 22 499 g 30 4 200. 225009 350 6 100 ‘Wimero de ‘muortes 2.400 3946 corre anus ene Poses fo (eames amt macnere Picayune directa. Sise conocen las tases de una de las poblaciones de interés, pueden usarse éstas, en ese caso la relacin estan- darizads de mortalidad para esa poblacién seré de 1.0, CUADROS Y GRAFICAS PARA DATOS NOMINALES Y ORDINALES En esta secci6n se describen algunos de los métodos mas ‘comunes para resumir datos nominales y ordinales, Para ilustrr la forma de construir cuadros para datos nomina- les, témense como base los datos del cuadro 3-13 para los 34 pacientes con hemofilia adquirida (Bossi, 1998) del Planteamiento de problema 4. La manera més sencilla de presentar datos nominales (u ordinsles ino hay demasia- dos puntos en Ia escala) es hacer una lista de las categorias enunadelas columnas del cuadro y la frecuencia (conteo) ‘o porcentsje de las observaciones en otra columne. El cus- dro 3-14 muestra una manera sencilla de presentar datos para el nimero de pacientes que tuvieron o no hematuria al momento del diagndstico de hemofilia. CCuzndo se exploran dos caracteristicas en una escale nominal, una forma comiin de mostrar los datos es en una tabla de contingencia, en la cual los datos se clasifican segtin varios factores. Supéngase que se desea conocer el rmimero de varones y mujeres que tuvieron hematuria al ‘momento del diagnéstico, el primer paso es hacer una lista Resumen y presentacién de datos en cuadros y figuras * 41 de las categorias que aparecerén en la tabla: varones con y sin hematuria, asi como mujeres con y sin hematuria (cua- dro 3-15). Después se colocan los conteos de cads paciente ‘que tenge los criterio.El paciente I cae en la casilla"Varo- ‘nes con hematuria", el paciente 2 cae en la caslla “Mujeres ‘con hematuria” y asi hasta el final. En el cuadro 3-15 se ‘muestran los conteos de los primeros siete pacientes La suma de los conteos de cada casilla se usa después para construir una tabla de contingencia como la del cuadro 3-16, la cual contiene cuentas de casillas de los 34 sujetos del estudio, A menudo se dan los porcentajes junto con los conteos de las casllas. Para la imagen grifica de datos nominales u ordinales se usan los diagramas de barras. En un diagrama de barras, las cuentas 0 porcentajes de las caracteristicas de catego- ras diferentes se muestran en forma de barras. Los inves- tigadores de este ejemplo pudieron haber empleado un diagrama de barras para presentar el niimero de pacientes con y sin hematuria (figura 3-9). Las categorias de hematuria (si o no) se colocan en el eje horizontal, 0 X,y el numero de pacientes en el eje vertical tienen Y. Los dliagramas de barras también, o as categorias en el eje ver- tical los atimeros en el horizontal Es comin el uso de otros tpos de grificas, como la circulares y las pictografias, principalmente en diarios, re- vistas populares y folletos publicitarios. Se emplean en el Equimosis | Hematoma Factor vi | <5 unidades erivoctarias Si Ne st 50 si Si st St 00 No 8i 8i No 19 st SI No. 50 No st 30 No No 8 st No to No st 25 No Si 35 SI No 13 No Ne 360 No si 00 SI st 30 si St 30 No No 0 Ne No 30 3 No 00 i St 10 No No 30 No Ss | to Ss Si 20 S 20 Si oo Fuente dclos usados con sorzacén do Excerpta Mais In, d Bool RCabane J nc Ohole Ri, Hara, Choalsow 0, als AcquredRemophia ue Tater Vlinhtrs 3 paris. Am Med 1906105400408 42 ® Bioestadistica médica Cuadro 3-14. abla de contingencia para frecuencia de hematuria en pacientes con hemofilia adquirida (Capitulo 3) Cuadro 3-16. Tabia de contingencia para varones y mujeres con y sin hematur Hematuria ‘Namero de pacientes Sexo “Sin hematuria | Con hematuria st 13 Varones @ 6 pe ai Mujeres @ Z "Fuente alos usados con sutoraacn de Excerpta Woda ing, de Boss Fe (Catan J st Dore A, Hane, Chowan 0, eal: Acaueshemostia ‘Seto fanor il inoters ine patna, Am. Med 900/08: 408, campo de Is salud para mostrar cierto tipo de informs- cién, como seria la porcién del producto interno bruto destinado # gastos de salud o la distribucién geografica de los médicos de primer contacto, DESCRIPCION DE LA RELACION ENTRE DOS CARACTERISTICAS Gran parte de la investigacién en medicina tiene que ver con ls relacién entre dos 0 mas caracteristicas. La siguien- te explicacion se centra en la revision de estas relaciones entre dos variables medidas en la misma escala cuando ambas son numéricas,ordinales 0 nominales. gq Relaci6n entre dos caracteristicas numéricas. Enel Planteamiento de problema 2, Hébert etal. (1997) guisieron calcular la relacién entre las calificaciones que los pacientes tuvieron en la primera aplicacién del SMAF El coeficiente de correlacién (a veces llamado coeficiente de correlacién del momento del producto de Pearson, en. hhonor al estadistico que lo defini6) mide le relacién entre dos caracteristicas numéricas, simbolizadas como X y Y. El cuadro 3-17 presenta informacin necesaria para calcu- lar la correlacién entre las calificaciones tanto de la fun- cién mental como de la basal y al final de 2 aiios para las mujeres de 85 afios de edad y mayores (de las 51 personas, ‘quienes se les hicieron las dos mediciones). La formula del coeficiente de correlacién, simbolizado por es pe BAK) (Y- 7) Buc ap Y= FF ‘Aligual que con la desviacién estindar, se presenta la for- ‘mula y los célculos « modo de ilustracién, por ese motivo Cuadro 3-15. Paso 1 para hacer una tabla de contingencia pata varones y mujeres con y sin hematuria categoria Contes, ‘Varones con hematuria a ‘Varonee sn hematur 7 Mujeres con hematuria D Mujeres sin hematuria i - Foen ‘Gabored Nint.) Ohote A Hans, Chasse etl: Actes hemo ‘he to aco Vil inner npr. Arn. Med 986-105:400 08 "Foener cos usados con starnsn Ge Excnpla Woon, do sa ‘Cabare, Nal hotel, Hanait 7, Cheigow 0 etal: Requredhemoptie ‘to latorVilintors in 4 pant, A J hed 1008105400 408 se usa la formula definitoria en vez de la computacional. ‘Con los datos del cuadro 3-17, se obtiene una correlacion de pa BREE Y=¥) EXP EF e 179.0588 Fe@a0 3529) (528 5088) = 17.0588 Ahora se definiré el significado de la correlacién (0.58) entre el funcionamiento mental media 1 y 2 aftos después. En este texto, se seguiré el procedimiento més aceptado de notificarlas correlaciones con dos décimas) En el cepitu- lo 8 se explican los métodos empleados por los investiga- dores para demostrar si existe relacion con importancia ‘stadistica; por ahora se mencionaran algunas caracteristi- cas del coeficiente de correlacién que ayudarén a inter pretar su valor numérico Prevenca de homatua Nine de pacientes L Hematuia Figura 3-8. Imagen de un diagrama de bar (Datos usados con ‘utorizacion de Excerpta Medica ino, de Boss! P, Cabane 1, Ninet J DDhote Ri, HensicT, Chosidow O, otal: Acquied hemophila cue to factor Vil inhibitors in 34 pationts. Am J ed 1998;105:400-403. Grav fica producida con SPSS, marca regstrada de SPSS, Ine; usado con ‘autorzacion} ronal 1 an! Moser Foo sh stn 0 b- " Resumen y presentacié de datos en cuadros.y figuras * 43, ‘Cuadro 3-17. Céleulo para el cosficiente de correlacién entre fa capacidad mental en el tiompo 1 (X) y tiempo 3(Y) para mujeres de 85 afios y mas" { — Paciente x ¥ OH v= =¥P | 0-1) 1 e000 | 4000 | aaite | 19000 | teas | sere | aante ' 2 coco | como | -raaee | 20000 | ‘asec | acre | zo i 3 tooo | eco | “asses | “2am | oseeo | saoie | 12000 : 2 Zoe | sooo | oats | ovo | oaeas | arse | osria i a i000 | oo00 | asec | -2oveo | asian | aor | Sema ; a2 2.0000 18,0000 0.4118 5.9020 0.1696 34.8336 2.4904 : 2 ‘3.0000 4.0000 4018 +9020 19032 3.6176 2.6882 too | Youve tooo | -oseea | tone | cst | 20s | sess ie | 20000 | oon | aarte | 20060 | o1eoo | sow | ceca | ‘1 sooo | 0000 | naan | -ooveo | _aazzs | noose | asa : wz | 20000] sao | onto | cacao} ores | oarao | oorse ts | ‘amo | ooo | aes | Zone | caren | sore | tama | ise | ooo | Sco | reese | isnen | 2aeor | sore | -aoana isi | 00000 | oom | “teese | aon | zener | aaore | asec tse | eocoo | sooo | eatte_| eoozo | anrise | arssre | aaasee At er] eat | a0000 | ~-1sesa | 20080 | 2sear | aaore | aaa tse | ooo | Toon | “assse | asoon | asco | agaene | -r7ese f tr | 0000 | acon | issn | bose | bacoe | “aaore | acaao | je | 00000 | coo | —rsase | “ecseo | 25000 | fants | aaamo | iw |, 00000 | acoso | -rssee_| -2cs00 | asco | tame _aaazo i zzo | 00000 | e000 | 1seea | —1ane0 | _escar —| 1.2088 | 17400 i zr | roo | tooo | sane | tape | zazere | 20s | -sosee i 2a 3.0000 20000 tana | “cose | 1.9002 0.008 | -ora96 | zs | ovo | zon | -rsase | -oose | sear | 09s | ssa | 266 3.0000 5.0000 4.4118 2.9020 41.9882 8.4216 4.0870 | zs} 00000 | eaoco | =1sese | -e0ne0 | eseae | aaore | 00020 | we | 10000 | coos | “osane | como | cece | aaore | 1230 t a7 0.0000 1.0000 1.5882, 1.0980 2.5226 1.2056 1.7438 7 348 0.0000 0.0000 1.5882, 2.0980 2.5226 4.4016 3.3320 | sre | 00000 | coco | tose _| zoos | 2seee | aaote | _aaaao I a7? | somo | vzano0 taire | e900 | tessa | aaawae | 09795 we | 0000 | ‘oomeo | tease | -2one0 | 2a | “aaore | 'as00 ts | somo | a0 | sare | isu | tre | Serre | saaze we | tom | You | -asme | tomo | ‘osteo | i200 | oss ' sr | soo00 | tooo | tate | -ton00 | ‘soca | 120s | -1ssze | sie | 10000} sooo | -osese | ane} osteo | oaros | -ose0s na tooo | ooo | “asese | om | caro | aaors | 1290 i +0000 too | moses | 100 | oso | Teo | ase na zero | doa | oaits | “20m | orcas | avore | -aeco iG oo0o | nacco | Sarre | ace | atte | mane | srore | 000 | 0000 | santa] 10980 | aece | 1.0se | -tss02 | tooo | 1000 | -asene | “0200 | omen | tess | oes G coco | ovo | —tsene | “20000 | aces | kaots | asco i} ‘oo | 0000 | -oseee | “10m | osteo | toss | case i 440000 23.0000 zarie_| asco | sete oars | _ 2754 7 c.aoe 1.0000 | mts | 1.0000 | —aszos range | 1.7098 a coco | cov | Htsene | “aoa | asec | daowe | asca0 ee ‘cee tooo | “ise | “10a | azz | tense | 7008 He tooo | ono | “asese | “eaneo | owen | raaase | 22050 bq ove | oacco | “asa | 200 | asee | ‘4aoie__| aso t iB 3.0000 3.0000 4.4118 0.9020 4.9992 0.8136 1.2734 oF ‘Suma, 81.0000 * | 107.0000 0.0018 0.002 220.3529 428.5088 179.0588 | Tipeee orp en cng ere pn snore ooo goraioes |S ORGIES Siena Fe See ee eo asemtmteonne oetolcege anne Im acommanty-awesng, very eet poodan. Am J Epidemiol 1957 16:S05-44, Chad eisoraso con a NCSGculleado con avtaion 44 © Bioestadistica médica (Capitulo 3) El coeficiente de correlacién siempre varia de -1 a +1,enel que—I describe una relacién lineal negativa per- feta ines recta) y +1 impli una lain ine peste perfects. La correlacién 0 significa que no hay relacién lineal entre ambas variables. ‘A veces, la correlacién se eleva al cuadrado (f°) para formar una funcién estadistica til lamada coeficiente de determinacién oF esta prictica es recomendable. Para los datos del funcionamiento mental, el coeficiente de deter- minacién es (0.58), 0 0.34. Esto quiere decir que 34% de la variabilided de una de las medidas, como seria el fun- cionamiento mental 2 los ds afios, puede ser la causa (0 predecir) a partir del conocimiento del valor de la otra medida, el funcionamiento mental basal. Es decir, si se conoce el valor de la calificacién de una mujer anciana en la parte del funcionamiento mental del SMAF y se consi- dera la calificacién dos afios después, la varianza (desvia~ n despues de dos afos se verk reduc en 34%, o alrededor de un tercin, Otras caracteristicas del coeficiente de correlacién ameritan ser mencionadas. El valor del coeficiente de co- rrelacign es independiente de las unidades perticulares que se emplean para medir las variables, por ejemplo, dos es- ‘udiantes de medicina miden la talla y el peso de un gru- po de preescolares para determinar Ia correlacién entre talla y peso. Miden la.talla en centimetros y el peso en. Ilograaos,calculan un coeficiente de correlacién igual a 0.70. ;Cual seria la correlacién si hubieran usado pulga- das lbras? Desde luego que seguiria siendo 0.70 debido ‘2 que el denominador de la formula para el coeficiente de correlacién se ajusta para la escala de las unidades. El valor del coeficiente de correlacién esta muy in- fluenciado por los valores extremos, idéntico a la desviaci6n cestindar Por tanto la correlacion no describe bien Ia relacion, entre dos variables cuando la distribucién de cada una se carga 0 contiene valores extremos. En esta situacién, debe hhacerse una transformaci6n de datos que modifique la esca- la de medici6n y modere el efecto de los extremos (véase capitulo 5) o puede usarse I correlacién de Spearman. Las personas que estin aprendiendo el coeficiente de correlacién suelen preguntar:*que tan grande debe ser la ‘correlaci6n?", La respuesta dependerd de le eplicacién, por ejemplo, cuando se miden las caracteristicas fisicas y se dispone de buenos instrumentos de medicién,.como su- cede en muchas de las ciencias fisicas, es posible hacer correlaciones muy precises. Sin embargo, en las ciencias biolégicas a menudo participan caracteristicas menos de- finidas y los instrumentos de medicién son imprecisos, en estos casos ocurriin correlacionesinfesiores. Colton (1974) ‘comenta la siguiente regla real para interpretar el tamaiio de las correlationes ome CCorelaciones de 0 0.25 (0 -0.25) indican muy pocao ningu ne relacin: fas que van de 0.25 a 0.50 (0 de ~0.25 a ~0.50) Sefalan un gad minimo de ralacion; las que eon de 0.50 a 10,75 (00.50 a -0.75) implican una relacién de moderada a buena: y las mayores de 0.75 (0 de ~0.78)sefalan una rola- (6a de buena a excelente Colton también enfatiza cl cuidado que se debe tener con correlaciones de 0.95 0 mayores en las ciencias biologic, 1800 Figura 3-10. lustracién del afecto de mostrar un carlo en dos me- ‘monies diferentes. A: mortalidad de una enfermedad desde 1960.6: ‘orlaiad de una enformacad sede 1980. vertical sea en.miles, debe variar de 200 2 600. Si no se interrumpe el ee Y, el mensaje implicito es impreciso, la incomprensién de fa escala hace que el cambio se vea mayor de lo que es en realidad, Este error, lamado supre- si6n del cero, es comtin en histogramas y graficaslineales. La figura 311A ilustra el efecto que tiene Is supresion del cero sobre el mimero de muertes por cincer y por ao, la figura 3-118 ilustra la construccién correcta. El error de Ia supresion del cero es mas grave en Y que X, porque la escala de Y represents Ia magnitud de la carac- teristica de interés, En la actualidad, muchos investigado- res usan programas de computadora para hacer sus gréficas, algunos dificultan o imposibilitan controlar laescala Y (y tambien X). Como lectores, es necesario estar atento y no dejarse confundir involuntariamente por esta practica ‘La magnitud del cambio también puede incrementarse o disminuirse a partir de la seleccién de la escala en el eje vertical. Por ejemplo, un investigador desea comparar las cdades al morir en un grupo de varones y otro de mujeres. La figura 3-12A, al suprimir la escala, muestra que todas las edades tanto de los varones como de las mujeres al morir son similares; la figura 3-128, al reducir la escala, tnagnifics las diferencias de la edad al morir entre hom- res y mujeres. Elejemplo final es un cuadro que da porcentajesirrele- vvantes, un error comin. Supéngase que los investigadores estan interesados en la selacién entre el grado de apego de los pacientes y el tipo de cobertura de su seguro. Cuando interesan dos 0 mas mediciones, el propésito del estudio suele ser determinar cuil de las dos medidas esta dentro del contexto de la otra. El cuadro 3-22A muestra el por- centaje de pacientes con diferentes tipos de cobertura de seguro, con tres niveles de apego de los pacientes, de ma- nera que el total de porcentajes de cada columns es 100%. Eos porcentajes def cuadro 3-22A tienen sentido sel n= 28 ant i a8 8 Lo ——1—1— 1 —t 060 1070 108 199000010, ane assailant oa 1B 1800 toro 1880 1580 2000 2010 Figura 3-11. lstracién del efecto de suprimir el cero en Y para gr fioas que muestran fallecimiento por edncer. : in Interupcisn dela lines en ¥. Bs intertupén de la nea bien hecha en¥. vvestigador desea comparar el tipo de cobertura del seguro de los pacientes con grados especificos de apego, es posi- bble concluis, por ejemplo, que 35% de los pacientes con grado bajo de apego no tiene seguro. 100 100 7 E04 a =n zo Eo Bo a io I be « * T T ot + A Vooree Mjows wat thie Figura 3-12. tusracién del efecto de supsr (gaficas que musran la edad al fallecer. Br estramiento de is escala, 50 © Bioestadistica médica Se compara esta interpretacién con Ia obtenida silos porcentajes se calculan con el estado del seguro, como en el cuadro 3-228, en él los porcentajes de cada fila suman 1 total de 100%. Del cuadro 3-228 puede concluirse ‘que 55% de los pacientes sin cobertura de seguro tienen un grads bajo de apego. En otras palabras, el formato del cuadro debe reflejar los objetivos buscados en el estudio. ‘Sise examina una medida para ver si explica otra, como el astado del seguro explica el apego, los investigadores de- ben presenta los porcentajes dentro de ls medicion explicatoria, PROGRAMAS DE COMPUTADORA Como ya se mencioné, se han dado ejemplos de progea- ‘mas de computadora disefiados especialmente para analizar los datos estadisticos. En la medida de lo posible se reproduce la forma real obtenida al anali- zar las observaciones de los planteamientos de problemas, aun cuando porlo general las formas tienen procedimnien- ‘tos estadisticos que todavia no se comentan. Se discuten aspectos importantes de las formas, mientras tanto, se debe ignorar Ia informaciéndesconocida; en capitulos siguien- tes se explicarin muchos métodos estadisticos. Los pro- sgramas estadisticos de computadora estin disefiados para satisfacer las necesidades de los investigadores de diversos campos; por tanto, algunas de las impresiones de las esta- distcas rara vez se usan en estudios médicos, de aqui que no se incluyan en este libro. En este libro se usan ejemplos de varios programas estadisticos, como NCSS, SPSS, y IMP; Ios mis usados son los dos primero. En Jos capitals s- ‘guientes también se usan_ programas especializados para calcular el tamafio de ls muestra necesaria para un estudio Cuadro 3-22. Efecto de calcular los porcentajos ‘en columnas contra porcentajes en filas ppara estudiar el apego a los farmacos, ‘contra cobertura de seguro 'R Porcentajes basados en grado (Ch de colurmnas) Grado de apego ‘con farmacos CCobertura de seguro Baja | meaia | Ata Mecdcald so | 20 | 1s Medicare 20 | 25 | 2 Medicaid y Medtoare cle | erste Otros seguros wo | 20 | a Sin seguro 3s | 20 | 10 ra de soguro (6 de fas) Grado de apego alos farmacos Cobertura de seguro ja_| media | Alta Macieaid 30 | 25 Medicare as | «0 Medicaid y Medicare ss | 33 Otros seguros as | 50 Sin seguro so | is (Capitulo 3) RESUMEN El capitulo presenta dos importantes conceptos bioestadis- ‘ticos: las diferentes escalas de medicin usadas en medicina y Jos métodos apropiados tanto para resumir como pare mos- ‘rarla informacion, segin a escala empleada. Algunas de las medidas resumidas en este capitulo son la base de las prue- bas estadisticas que se presentan en los siguientes capitulos El nivel mas simple de medicién es la escala nominal, también llamada categorial o cuslitativa. Las escalas no“ minales miden las caracteristicas que pueden clasificarse cen categorias; se cuenta el ntimero de resultados de cada categoria, Con frecuencia se usan proporciones, relacio- nes y porcentajes para resumir los datos de las categorias. Las cara. srsticas nominales se muestran en tablas de con- ‘tingencia y en graficas de barras. ‘Las escalas ordinales se usan para caracteristicas que tienen un orden subyacente. Las diferencias entre los va~ Tores en la escala no son iguales a lo largo de la misma Como ejemplo se tienen varias enfermedades que se or ganizan en diversos esquemas con 4 0 5 categoriss que se agrupan de acuerdo con la severidad del padecimiento. La mediana, los percentiles y la variacién son medidas resu- midas de eleccién, ya que son las menos afectadas con las ediciones extremas. Las caracteristicas ordinales, al igual que las nominales, se muestran en tablas de contingencia y graficas de barras Las escalas numéricas son el nivel mis elevado de me- icin, también se les lama escalas de intervalo o cuantit tivas. Las caracteristicas medidas en una escale numérica jeden ser continuas (toman cualquier valor en la linea de los ntimeros) 0 discretas (toman sélo valores enteros) Se recomienda usar la media con los resultados que tengan distribucién simétrica. La medians, una medida también de la mitad, se emplea con abservaciones ordinales onuméricas que tengan distribucin cergeda. Cuando sea apropiado utilizar la media para describirla mitad, es apro- pido utilizar la desviaci6n estindar con el fin de deseribir Ia dispersién o variacién de los resultados. El valor de la desviacién estindar se ve afectado por valores extremos 0 cargados, que deban usarse los percentiles 0 variaciones intercuartilares con las observaciones para las que es apro- piada la media. La variacién proporciona informacién so- bre valores extremos, pero no brinds ningtin dato sobre la ‘manera en que se distribuyen los resultados. ‘Una manera fécil de determinar si le distribucién de datos es simétrica o esta cargada, es crear un histograma 0 una gréfica de caja. Otros métodos gréficos son el poligo- no de frecuencias, las grficas lineales y las grficas de error. ‘Aunque cada método proporciona informacién acerca de la distribucin de las observaciones las graficas de caja son ‘muy tities para mostrarlas en forma concisa, ya que dan ‘una dea con una sola mirada a dicha distribucién. Los graf cos de tronco y hojas combinan caractersticas de las tablas| de frecuenciasy de los histogramas, muestran las frecuen-

    Potrebbero piacerti anche