Cómo entender las medidas de efecto en la investigación clínica: Interpretación práctica y aplicación
DOI:
https://doi.org/10.35434/rcmhnaaa.2023.161.1935Palabras clave:
Medidas de asociación, Riesgo relativo, Razón de Prevalencia, Odds Ratio, Hazard RatioResumen
En la investigación clínica, evaluar la asociación entre dos variables es una tarea crítica y fundamental. Los estudios clínicos buscan establecer el tamaño del efecto que tiene la exposición a una variable sobre un desenlace determinado. Para medir este tamaño del efecto, se utilizan diversas medidas estadísticas, entre las más comunes se encuentran la razón de prevalencias (RP), el riesgo relativo (RR), el odds ratio (OR), el Hazard ratio (HR), la razón de tasas de incidencias (RTI), el riesgo atribuible (RA), el número necesario a tratar (NNT), la diferencia de medias (DM) y el coeficiente de regresión lineal (β). Cada una de estas medidas tiene sus ventajas y limitaciones, y su elección depende del tipo de estudio y la naturaleza de los datos que se estén analizando. Por lo tanto, es importante comprender la interpretación y uso de cada una de ellas para realizar un análisis adecuado. En este artículo, nuestro objetivo es explicar de manera práctica cómo interpretar estas medidas y cómo utilizar sus valores p e intervalos de confianza al 95% para evaluar la inferencia estadística. Entender cómo evaluar la asociación entre dos variables es crucial para el diseño y análisis de estudios clínicos de calidad. De este modo, se posibilita la toma de decisiones basadas en evidencia y se promueve la mejora en la atención de pacientes.
Descargas
Métricas
Citas
World Health Organization. The WHO strategy on research for health [Internet]. Geneva: World Health Organization. 2020 [cited 2023 mar 10] Available from: https://www.who.int/publications-detail-redirect/9789241503259
Barboza-Palomino M, Caycho T, Castilla-Cabello H. Políticas públicas en salud basadas en la evidencia. Discusión en el contexto peruano. Salud Publica Mex. 2017;59(1):2. doi:10.21149/7881
González-Ramírez AR, Rivas-Ruiz F. Measures of frequency, magnitude of association and impact in epidemiology. Allergologia et Immunopathologia. 2010;38(3):147-152. doi:10.1016/j.aller.2010.02.002
Celentano DD, Szklo M, Gordis L. Gordis Epidemiology. 6th edition. Elsevier; 2019.
Goodwin G, Ryu SY. Understanding The Odds: Statistics in Public Health. Front Young Minds. 2023;10:926624. doi:10.3389/frym.2022.926624
Szumilas M. Explaining odds ratios. J Can Acad Child Adolesc Psychiatry [Internet]. 2010 [cited 2023 mar 13];19(3):227-229. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2938757/.
Knol MJ, Le Cessie S, Algra A, Vandenbroucke JP, Groenwold RHH. Overestimation of risk ratios by odds ratios in trials and cohort studies: alternatives to logistic regression. CMAJ. 2012;184(8):895-9. doi:10.1503/cmaj.101715
Hoffman JIE. Chapter 35 - Survival Analysis. In: Hoffman JIE, ed. Basic Biostatistics for Medical and Biomedical Practitioners (Second Edition). Academic Press. 2019:599-619. doi:10.1016/B978-0-12-817084-7.00035-8
Barraclough H, Simms L, Govindan R. Biostatistics Primer: What a Clinician Ought to Know: Hazard Ratios. Journal of Thoracic Oncology. 2011;6(6):978-82. doi:10.1097/JTO.0b013e31821b10ab
Barros AJ, Hirakata VN. Alternatives for logistic regression in cross-sectional studies: an empirical comparison of models that directly estimate the prevalence ratio. BMC Med Res Methodol. 2003;3(1):21. doi:10.1186/1471-2288-3-21
Grant RL. Converting an odds ratio to a range of plausible relative risks for better communication of research findings. BMJ. 2014:348:f7450. doi: 10.1136/bmj.f7450
Guyatt GH, Oxman AD, Kunz R, et al. GRADE guidelines 6. Rating the quality of evidence—imprecision. Journal of Clinical Epidemiology. 2011;64(12):1283-93. doi:10.1016/j.jclinepi.2011.01.012
Newcombe RG, Bender R. Implementing GRADE: calculating the risk difference from the baseline risk and the relative risk. Evid Based Med. 2014;19(1):6-8. doi:10.1136/eb-2013-101340
Coughlin S, Benichou J, Weed D. Estimación del riesgo atribuible en los estudios de casos y controles. Bol Oficina Saint Panam [Internet]. 1996 [citado 10 mar 2023];12(2):143-153. Disponible en: https://iris.paho.org/bitstream/handle/10665.2/15445/v121n2p143.pdf?sequence=
Citrome L, Ketter TA. When does a difference make a difference? Interpretation of number needed to treat, number needed to harm, and likelihood to be helped or harmed. Int J Clin Pract. 2013;67(5):407-11. doi:10.1111/ijcp.12142
Hutton JL. Number needed to treat and number needed to harm are not the best way to report and assess the results of randomised clinical trials. British Journal of Haematology. 2009;146(1):27-30. doi:10.1111/j.1365-2141.2009.07707.x
Quertemont E. How to Statistically Show the Absence of an Effect. Psychol Belg. 2011;51(2):109. doi:10.5334/pb-51-2-109
Daniel WW, Cross CL. Biostatistics: A Foundation for Analysis in the Health Sciences. Eleventh edition. Wiley; 2019.
Phillips MR, Wykoff CC, Thabane L, et al. The clinician’s guide to p values, confidence intervals, and magnitude of effects. Eye. 2022;36(2):341-2. doi:10.1038/s41433-021-01863-w
Descargas
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Derechos de autor 2023 Jessica Hanae Zafra-Tanaka, Alvaro Taype-Rondan, Daniel Fernandez-Guzman
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
