Preguntas de Bioestadística

Explicación

Una especificidad de 90 % significa que el 10 % de las personas sin enfermedad de Chagas resultarán positivas, es decir, habrá 10 % de falsos positivos; en una población de baja prevalencia el número absoluto de sanos es muy grande, de modo que la mayoría de los resultados positivos serán falsos y el valor predictivo positivo caerá, tal como predice el teorema de Bayes. Por eso la alternativa que vincula ese 10 % de falsos positivos con un menor valor predictivo positivo en baja prevalencia es la correcta, y por eso el algoritmo diagnóstico del Chagas exige dos pruebas serológicas de principios distintos concordantes. Afirmar que el valor predictivo positivo será alto justamente por la baja prevalencia invierte la relación: a menor prevalencia, menor valor predictivo positivo. Suponer que la sensibilidad será automáticamente 90 % confunde dos parámetros independientes que se estiman en poblaciones distintas (enfermos frente a sanos). Y decir que los falsos negativos serán el 10 % describe el complemento de la sensibilidad, no el de la especificidad.

Explicación

La interpretación correcta es que el odds ratio se aproxima al riesgo relativo cuando la enfermedad es rara (supuesto de rareza de Cornfield, habitualmente prevalencia o incidencia menor al 10%), condición que se cumple en este estudio de casos y controles sobre una enfermedad infrecuente en agricultores. Sostener que el odds ratio mide la prevalencia de la exposición en la población es erróneo: se trata de una medida de asociación, no de frecuencia, y el diseño caso-control parte de un muestreo por estado de enfermedad que impide estimar prevalencia o incidencia poblacional. Afirmar que solo puede calcularse en cohortes también es falso: el odds ratio es precisamente la medida propia del diseño caso-control y la que devuelve la regresión logística, aunque puede computarse igualmente en cohortes y ensayos. Y decir que estima directamente el riesgo absoluto es incorrecto, porque el riesgo absoluto exige conocer el denominador poblacional y el seguimiento, información no disponible en este diseño.

Explicación

La lectura correcta es que valores de LR+ ≥10 y LR- ≤0.1 producen cambios grandes y clínicamente relevantes en la probabilidad post-prueba, tal como se visualiza en el nomograma de Fagan: con estos valores un resultado positivo confirma con alta confianza y uno negativo descarta de manera convincente. Calificar ese desempeño como moderado subestima la magnitud, pues por convención los cambios moderados corresponden a LR+ de 5-10 y LR- de 0.1-0.2, y los pequeños a 2-5 y 0.2-0.5. Sostener que las razones de verosimilitudes dependen de la prevalencia es falso: derivan de la sensibilidad y la especificidad y son propiedades de la prueba, independientes de la prevalencia; lo que sí depende de la prevalencia es la probabilidad pre-prueba y, por tanto, el valor predictivo. Restringir su uso a estudios de cohortes también es incorrecto, ya que se calculan en cualquier estudio de validez diagnóstica que compare la prueba con un estándar de referencia, incluidos los diseños transversales del INS.

Explicación

El intervalo de confianza del 95% para una diferencia de medias significa que, si el estudio se repitiera un número infinito de veces bajo las mismas condiciones, el 95% de los intervalos de confianza calculados contendrían el verdadero valor de la diferencia poblacional. La afirmación de que existe un 95% de probabilidad de que la verdadera reducción de la PAS con el Fármaco X sea entre 3.2 y 6.8 mmHg mayor que con el Fármaco Y es una interpretación común pero incorrecta de la probabilidad bayesiana, no frecuentista. El intervalo de confianza no describe la reducción individual en el 95% de los pacientes, sino la estimación de la diferencia poblacional. Aunque el intervalo no incluye el cero, lo que sugiere significancia estadística, la afirmación de que el Fármaco X es 'definitivamente superior' es una conclusión más categórica de lo que permite la inferencia estadística, que siempre maneja probabilidades y no certezas absolutas.

Explicación

Un odds ratio (OR) menor que 1.0 indica una reducción del riesgo. En este caso, el OR de 0.65 sugiere que la azitromicina reduce el riesgo de mortalidad por NAVM en un 35% (1 - 0.65). Además, el intervalo de confianza del 95% (0.50, 0.85) no incluye el valor nulo de 1.0, lo que indica que esta reducción es estadísticamente significativa. Por lo tanto, la azitromicina reduce significativamente el riesgo de mortalidad por NAVM. La azitromicina no aumenta el riesgo, ya que el OR es menor que 1.0. No se puede concluir que no tiene un efecto estadísticamente significativo porque el intervalo de confianza no cruza el 1.0. La consistencia de los estudios individuales se evalúa por la heterogeneidad, no directamente por el OR combinado, y el efecto combinado ya es una conclusión por sí mismo.

Explicación

Los factores clave que influyen directamente en el cálculo del tamaño de muestra para un estudio de eficacia son la magnitud del efecto que se espera detectar (es decir, la diferencia clínicamente relevante entre los grupos que el estudio busca identificar), la variabilidad de la variable de resultado (en este caso, la prevalencia de parasitosis), el nivel de significancia estadística (alfa) y la potencia estadística (1-beta). Una mayor variabilidad o un efecto esperado más pequeño requerirán un tamaño de muestra mayor. Los otros factores, como el número de centros de salud, la disponibilidad de personal o la distancia geográfica, son consideraciones logísticas y operativas del estudio, pero no determinan directamente el cálculo estadístico del tamaño de muestra.