métodos estadísticos en el trasplante renal - Roche Trasplantes

MÉTODOS ESTADÍSTICOS EN EL TRASPLANTE RENALlos coeficientes por el método de máxima verosimilitud (6), consiste en calcular unestadístico, el logaritmo del cociente de la verosimilitud del modelo estimado y de losdatos sin modelo, y que en la hipótesis nula de que los datos no se ajusten al modelo,se distribuye como una χ 2 con k grados de libertad (siendo k el número de variablesen el modelo).Otra prueba, sugerida por Hosmer y Lemeshow (3), consiste en crear un índice pronósticoa partir del modelo: IP = β 1 X 1 +...+ β k X k , calcularlo para cada paciente y, después,dividir la muestra en n-ciles. Los grupos así creados se introducen en el modelo comovariable categórica. Si el modelo mejorara significativamente, en términos del logaritmodel cociente de la verosimilitud, indicaría que la bondad de ajuste es mala.Validez del modeloEl último aspecto a evaluar en un modelo es su validez o fiabilidad, es decir, ¿se comportaigual en otras muestras extraídas de la misma población (reproducibilidad) y/o deotras similares (transportabilidad)? (16).El modo más completo de evaluarlo será repetir el estudio con otra muestra y compararlos resultados (validación externa). Otra aproximación similar es partir aleatoriamentela muestra inicial en dos grupos: un grupo de trabajo con el que se desarrollael modelo y un grupo de validación, con el que se hace la validación o, usadocada vez con más frecuencia, con técnicas de re-muestreo como jackknife y bootstrap(12).La evaluación se hace de modo distinto en modelos estimativos que en los predictivos.En modelos estimativos, simplemente se ajusta el modelo en el grupo de trabajo,luego se hace la estimación del efecto en el de validación y se comparan.En los modelos predictivos la validación es un poco más compleja (16, 17). Tiene doscomponentes, calibración que es el grado en que la supervivencia predicha coincidecon la observada, y puede evaluarse comparando la supervivencia predicha por elmodelo en el grupo de validación con la estimada en el mismo grupo por Kaplan-Meieir, y discriminación, grado en que el modelo distingue entre individuos de alto ybajo riesgo. La calibración puede cuantificarse también con el coeficiente de reducción(shrinkage) (18), que es el coeficiente β del modelo ajustado en el grupo de validación,usando como única variable el índice pronóstico IP = β 1 X 1 +...+ β k X k , calculadocon los coeficientes estimados en el grupo de trabajo, y la discriminación con elcoeficiente de correlación de Nagelkerke (R 2 N), que es un número entre 0,para unmodelo sin capacidad predictiva, y 1 para un modelo con predicción perfecta, construidoa partir del logaritmo del cociente de la verosimilitud del modelo estimado yde los datos sin modelo (12).98