1 / 64

Interpretación de resultados

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.

tal
Download Presentation

Interpretación de resultados

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Interpretación de resultados Rosa Morros@uab.es - Ferran.Torres@uab.es

  2. ¿Qué es lo que busca todo el mundo? p Rosa Morros@uab.es - Ferran.Torres@uab.es

  3. Intervalo de Confianza Intuitivamente: El verdadero valor se encuentra dentro del intervalo con una confianza del 95% Rosa Morros@uab.es - Ferran.Torres@uab.es

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

  5. Distribución normal Distribución de la media X X Distribución de la muestra X + 2EEM X + 2DS =>95% Rosa Morros@uab.es - Ferran.Torres@uab.es

  6. Relación entre IC y significación (p) p=0.002 IC al 95% p=0.05 0 Rosa Morros@uab.es - Ferran.Torres@uab.es

  7. Intervalo de Confianza 2 grupos Dif. NS 2 grupos Dif. Sig. Rosa Morros@uab.es - Ferran.Torres@uab.es

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

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

  10. Escalas de medición del efecto Riesgos Rosa Morros@uab.es - Ferran.Torres@uab.es

  11. Proporción en Expuestos: 0.50 • Proporción en no Expuestos: 0.25 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 Morros@uab.es - Ferran.Torres@uab.es

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

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

  14. Cálculo de RR y OR Rosa Morros@uab.es - Ferran.Torres@uab.es

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

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

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

  18. ¿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 Morros@uab.es - Ferran.Torres@uab.es

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

  20. Diseños de No-inferioridad Rosa Morros@uab.es - Ferran.Torres@uab.es

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

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

  23. E - C; p = 0.002 (95% IC) E - C; p > 0.05 (95% IC) 0 Superioridad Estudios diseñados para detectar unadiferencia Rosa Morros@uab.es - Ferran.Torres@uab.es

  24. Equivalencia Estudios diseñados para confirmar la ausencia de una diferencia Rosa Morros@uab.es - Ferran.Torres@uab.es

  25. No-inferioridad Estudios diseñados para demostrar que un nuevo tratamiento no es peor que otro tratamiento Rosa Morros@uab.es - Ferran.Torres@uab.es

  26. 1/2 ? 1/3 ? B A d 30% P Rosa Morros@uab.es - Ferran.Torres@uab.es

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

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

  29. JAMA 2002; 287: 1807-1814 Rosa Morros@uab.es - Ferran.Torres@uab.es

  30. d 30% Rosa Morros@uab.es - Ferran.Torres@uab.es

  31. Interpretación de los resultados de un experimento IC de la diferencia + 0 Efecto no importante Efecto importante Rosa Morros@uab.es - Ferran.Torres@uab.es

  32. Límite de superioridad ¿Superior a d? ? No No No No No No Sí d d < 0 - efecto d = 0 No hay diferencia d > 0 + efecto ¿ESTUDIO DE … SUPERIORIDAD? Rosa Morros@uab.es - Ferran.Torres@uab.es

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

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

  35. Seamos críticos • En ocasiones las cosas no son lo que parecen Rosa Morros@uab.es - Ferran.Torres@uab.es

  36. Seamos críticos Obtención de los resultados • ¿Es adecuada la técnica estadística utilizada? • T-Test • ANOVA de medidas repetidas Rosa Morros@uab.es - Ferran.Torres@uab.es

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

  38. Seamos críticos Consistencia en los datos • Dentro del artículo • Texto • Tablas • Figuras • Abstract • Con artículos relacionados o mismos datos Rosa Morros@uab.es - Ferran.Torres@uab.es

  39. ¿Abusamos de la regresión? Rosa Morros@uab.es - Ferran.Torres@uab.es

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

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

  42. Seamos críticos Consistencia en los datos • Texto • Tablas • Figuras • Abstract Rosa Morros@uab.es - Ferran.Torres@uab.es

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

  44. Seamos críticos ¿Me fío del valor? • Afirmaciones sin especificación de resultados • Porcentajes sin el denominador • Medias sin intervalo de confianza Rosa Morros@uab.es - Ferran.Torres@uab.es

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

  46. ... ¿Y lo del denominador?El famoso perro fantástico Rosa Morros@uab.es - Ferran.Torres@uab.es

  47. Por que después pasa lo que pasa Rosa Morros@uab.es - Ferran.Torres@uab.es

  48. Algunos problemas metodológicos Rosa Morros@uab.es - Ferran.Torres@uab.es

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

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

More Related