métodos estadísticos en el trasplante renal - Roche Trasplantes

More documents

Recommendations

Info

MÉTODOS ESTADÍSTICOS EN EL TRASPLANTE RENAL5. Realizar un modelo multivariable saturado con las variables que han sido seleccionadasen el paso anterior. Aunque tenga las mismas variables, este modelo puedeser distinto del obtenido en el paso 4: suponga que en el paso 4 se intentan valorar,como posibles factores de confusión, la edad, el sexo, la clase social, el consumodel alcohol y el de tabaco. Aunque el modelo seleccione sólo la edad y el sexo,los cálculos se realizarán solamente con los sujetos de los que se dispone de lainformación relativa a las cinco variables. En el modelo saturado del paso 5, en cambio,intervienen todos los sujetos de los que se conocen la edad y el género, aunqueno se conozcan la clase social y el consumo de alcohol y tabaco.6. Aproximación heurística: realizar nuevos modelos, sacando e introduciendo las variablesdel modelo saturado, para retener aquellas que cambian el coeficiente de laexposición en más del 10% respecto del modelo saturado.MODELOS PREDICTIVOS Y EXPLICATIVOSLos modelos multivariables pueden tener básicamente dos finalidades: identificar las causasque explican un resultado (se habla entonces de modelos explicativos) o predecir elresultado –haya o no una relación causal– (es el caso de los modelos predictivos). En amboscasos, se utilizan las mismas técnicas multivariables (regresión logística, de Poisson, deCox, etc.), pero la forma de construir el modelo y de interpretarlo cambia completamente.Modelos explicativosLos modelos explicativos son del tipo de los presentados en la sección anterior: sedesea medir la asociación de una variable con un resultado y se introducen otras variables,en el modelo, con la finalidad de obtener estimaciones correctas (ajustadas) delriesgo relativo. Observe que estos modelos tienen finalidad causal, por ello es necesariotener presente los factores de confusión y las interacciones e introducirlos en elmodelo siguiendo el procedimiento que se ha descrito en la sección Control de factoresde confusión en el análisis. En los modelos explicativos es incorrecto dejar en manosdel ordenador la selección automática de las variables (por ejemplo, mediante la regresiónpaso a paso). Se trata de los modelos más utilizados.Modelos predictivosEn ocasiones, el investigador desea elaborar un modelo que prediga cuándo se va aproducir el resultado, aunque no exista una relación causal entre las variables del modeloy el resultado. Por ejemplo, los criterios de Ramson para la pancreatitis no provocanla muerte, pero la predicen. En la elaboración de un modelo predictivo, las variables nose seleccionan por la asociación que tengan con el resultado (la muerte, el fracaso delinjerto,etc.) sino por su capacidad para clasificar a los pacientes en dos grupos: los quetendrán un trasplante exitoso o los que tendrán un fracaso. En el modelo predictivo, por16
ESTADÍSTICA EN BIOMEDICINA: UNA HERRAMIENTA PELIGROSAlo tanto, no es de interés calcular el riesgo relativo, ni tener en cuenta los factores deconfusión o las interacciones. En este caso, sí puede ser correcto dejar al ordenador laselección de las variables paso a paso.Por ejemplo, Smits et al. (2003), en un excelente artículo, elaboraron un modelo predictivosobre la supervivencia en la lista de espera para trasplante cardíaco en Alemania,para ello realizaron una regresión de Cox múltiple paso a paso, utilizando los 889 pacientesque entraron en la lista de espera en 1997. Hay que señalar dos datos del artículo:1) en todo momento mantienen la interpretación del modelo como predictivo (no causal);2) el modelo obtenido fue validado con los 897 pacientes que entraron en lista deespera en 1998.Debe destacarse especialmente este segundo punto; cualquier modelo funciona bien (ymejor que otros modelos) en la muestra que se ha utilizado para elaborarlo; por ello, losmodelos predictivos deben ser validados siempre. Para la validación puede utilizarse unamuestra independiente de la que se empleó en la generación del modelo (como enSmits et al.) o puede dividirse al azar la muestra inicial en dos grupos: un grupo se utilizapara generar el modelo y el otro para validarlo.Es frecuente el error de interpretar como causal un modelo predictivo. Loucaidou et al.(2003) utilizaron un modelo de Cox para predecir la muerte en 83 trasplantes renales conrechazo. La variable más fuertemente asociada fue la existencia de rechazo vascular; losautores concluyeron que eran necesarios mejores medios para prevenir y tratar el rechazovascular. Lo que se desea destacar en esta sección es que el modelo elegido (predictivo)no era adecuado para llegar a esa conclusión (al margen de que sea o no cierta),era necesario un modelo explicativo en el que el riesgo relativo de cada tipo de rechazose ajustara por sus factores de confusión.En el trabajo mencionado de factores de riesgo de enfermedad linfoproliferativa posttrasplante(Shahinian et al. 2003), no queda claro a priori cuál es la actitud de los autores.Da la impresión de que buscan una explicación causal, ya que la hipótesis de partidaes que el virus de Epstein-Barr se relaciona con la enfermedad linfoproliferativa. Sinembargo, aclara la cuestión la forma en que construyen el modelo, mediante regresiónescalonada y permitiendo la inclusión de variables con p
Page 1 and 2: B i b l i o t e c a d eT R A S P L
Page 3 and 4: DRUGEdificio Vértice Antonio Lópe
Page 6: Electronic Control Device Research
Page 10 and 11: MÉTODOS ESTADÍSTICOS EN EL TRASPL
Page 29: ESTADÍSTICA EN BIOMEDICINA: UNA HE
Page 66 and 67:
EL CONCEPTO DE SEMIVIDACOMO PREDICT
Page 68 and 69:
EL CONCEPTO SEMIVIDA COMO PREDICTOR
Page 70 and 71:
Page 72 and 73:
Page 74 and 75:
Page 76 and 77:
Page 78 and 79:
Page 80 and 81:
MÉTODOS ESTADÍSTICOS EN EL TRASPL
Page 82 and 83:
Page 84 and 85:
Page 86 and 87:
Page 88 and 89:
Page 90 and 91:
Page 92 and 93:
Page 94 and 95:
Page 96 and 97:
Page 98 and 99:
Page 100 and 101:
Page 102 and 103:
Page 104 and 105:
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
Page 114 and 115:
Page 116 and 117:
Page 118 and 119:
Page 120 and 121:
Page 122 and 123:
Page 124 and 125:
Page 126 and 127:
Page 128 and 129:
Page 130 and 131:
Page 132 and 133:
Page 134 and 135:
Page 136 and 137:
Page 138 and 139:
Page 140 and 141:
Page 142 and 143:
Page 144 and 145:
Page 146 and 147:
DE LAS BASES DE DATOSA LOS PROGRAMA
Page 148 and 149:
DE LAS BASES DE DATOS A LOS PROGRAM
Page 150 and 151:
Page 152 and 153:
Page 154 and 155:
Page 156 and 157:
Page 158 and 159:
Page 160 and 161:
RESULTADOS DEL TRASPLANTERENAL: ENS
Page 162 and 163:
RESULTADOS DEL TRASPLANTE RENAL: EN
Page 164 and 165:
Page 166 and 167:
Page 168 and 169:
Page 170 and 171:
Page 172 and 173:
Page 174 and 175:
Page 176 and 177:
Page 178 and 179:
Page 180 and 181:
Page 182 and 183:
Page 184 and 185:
Page 186 and 187:
Page 188 and 189:
Page 190 and 191:
Page 192 and 193:
Page 194:
show all

métodos estadísticos en el trasplante renal - Roche Trasplantes

Create successful ePaper yourself

Delete template?

Save as template?