Estadistica 14 A Edicion

CURSOS MÉDICOS 2022
MANUAL AMIR
ESTADÍSTICA Y EPIDEMIOLOGÍA
(14.ª edición)
ISBN
978-84-18278-10-5
DEPÓSITO LEGAL
M-22139-MMXIX
ACADEMIA DE ESTUDIOS MIR, S.L.

www.academiamir.com
info@academiamir.com
DISEÑO, MAQUETACIÓN E ILUSTRACIONES

Iceberg Visual Diseño, S.L.N.E.
Nuestra mayor gratitud a Alberto Argón, alumno AMIR,

por haber realizado de manera desinteresada una revisión de
erratas de nuestros manuales, que ha permitido mejorar esta
14.ª edición.
La protección de los derechos de autor se extiende tanto al contenido redac-

cional de la publicación como al diseño, ilustraciones y fotografías de la misma,
por lo que queda prohibida su reproducción total o parcial sin el permiso del
propietario de los derechos de autor.
Este manual ha sido impreso con papel ecológico,

sostenible y libre de cloro, y ha sido certificado según los
estándares del FSC (Forest Stewardship Council) y del PEFC
(Programme for the Endorsement of Forest Certification).
AUTORES
DIRECCIÓN FRANCO DÍEZ, EDUARDO (7) SÁNCHEZ VADILLO, IRENE (4)

EDITORIAL RUIZ MATEOS, BORJA (42) GALLO SANTACRUZ, SARA (24)
CAMPOS PAVÓN, JAIME (12) SESMA ROMERO, JULIO (43)
SUÁREZ BARRIENTOS, AIDA (44) AMMARI SÁNCHEZ-VILLANUEVA, FADI (6)
RELACIÓN GENERAL DE AUTORES

ADEVA ALFONSO, JORGE (1) DÁVILA GONZÁLEZ, PABLO (19) LOUREIRO AMIGO, JOSÉ (49) PIRIS BORREGAS, SALVADOR (12)
ALEDO-SERRANO, ÁNGEL (2) DE MIGUEL-CAMPO, BORJA (12) LOZANO GRANERO, CRISTINA (7) PLASENCIA RODRÍGUEZ, CHAMAIDA (4)
ALONSO PEREIRO, ELENA (3) DELGADO LAGUNA, ANA (20) LUENGO ALONSO, GONZALO (12) RAMIRO MILLÁN, PATRICIA (41)
ALONSO SANZ, JAVIER (4) DELGADO MÁRQUEZ, ANA MARÍA (48) MAEZTU, MIKEL (31) RAMOS JIMÉNEZ, JAVIER (7)
ÁLVAREZ ANDRÉS, EVA (5) ESTEBAN-SÁNCHEZ, JONATHAN (21) MANJÓN RUBIO, HÉCTOR (7) RODRÍGUEZ DOMÍNGUEZ, VÍCTOR (4)
AMMARI SÁNCHEZ-VILLANUEVA, FADI (6) FERRE-ARACIL, CARLOS (22) MARCO ALACID, CRISTIAN (32) RODRÍGUEZ-BATLLORI ARÁN, BEATRIZ (9)
AMORES LUQUE, MIGUEL CAYETANO (7) FORTUNY FRAU, ELENA (23) MARTÍN RUBIO, INÉS (22) RODRÍGUEZ-MONSALVE, MARÍA (22)
ANTÓN MARTIN, MARÍA DEL PILAR (8) FRANCO DÍEZ, EDUARDO (7) MARTÍNEZ DÍEZ, JAVIER (33) RUIZ MATEOS, BORJA (42)
ANTÓN SANTOS, JUAN MIGUEL (9) GALLO SANTACRUZ, SARA (24) MARTÍNEZ DÍEZ, JOSÉ MANUEL (4) SÁNCHEZ VADILLO, IRENE (4)
ARREO DEL VAL, VIVIANA (4) GANDÍA GONZÁLEZ, MARÍA LUISA (4) MARTÍNEZ-FIDALGO VÁZQUEZ, SESMA ROMERO, JULIO (43)
BALBACID DOMINGO, ENRIQUE J. (4) GARCÍA CARRERAS, ALEJANDRO (1) CONCEPCIÓN (9) SEVILLA-RIBOTA, SERGIO (9)
BATALLER TORRALBA, ÁLEX (10) GARCÍA SEBASTIÁN, CRISTINA (7) MARTOS GISBERT, NATALIA (5) SOUTO SOTO, AURA DANIELA (22)
BENAVENT NÚÑEZ, DIEGO (4) GARCÍA-ESCRIBANO MARTÍN, MASANA FLORES, ELENA (34) SUÁREZ BARRIENTOS, AIDA (44)
BENÍTEZ, LETICIA FLORENCIO (13) MOGAS VIÑALS, EDUARD (35) TABEAYO ÁLVAREZ, ELOY (4)
BERNAL BELLO, DAVID (11) GARROTE GARROTE, MARÍA (21) MONJO HENRY, IRENE (4) TAJIMA POZO, KAZUHIRO (20)
BUZÓN MARTÍN, LUIS (1) GIMÉNEZ VALLEJO, CARLOS (25) MUERTE MORENO, IVÁN (13) TARAMINO PINTADO, NOELIA (12)
CABRERA MARANTE, ÓSCAR (12) GÓMEZ ROMERO, MARÍA (26) NAVARRO ÁVILA, RAFAEL JOSÉ (12) TEIGELL MUÑOZ, FRANCISCO JAVIER (9)
CAMPOS PAVÓN, JAIME (12) GÓMEZ SERRANO, MANUEL (13) ORTIZ SALVADOR, JOSÉ MARÍA (15) TORRES FERNÁNDEZ, DAVID (12)
CANO-VALDERRAMA, ÓSCAR (13) GÓMEZ-MAYORDOMO, VÍCTOR (13) OTAOLA ARCA, HUGO (36) TOUZA FERNÁNDEZ, ALBERTO (45)
CARDOSO LÓPEZ, ISABEL (14) GÓMEZ-PORRO SÁNCHEZ, PABLO (22) PADULLÉS CASTELLÓ, BERNAT (10) UDONDO GONZÁLEZ DEL TÁNAGO,
CERVERA YGUAL, GUILLERMO (15) GONZÁLEZ ROCAFORT, ÁLVARO (4) PANADÉS-DE OLIVEIRA, LUISA (13) MARÍA (31)
CÍVICO ORTEGA, JESÚS ANTONIO (16) GREDILLA-ZUBIRÍA, ÍÑIGO (27) PARRA DÍAZ, PAULA CAROLINA VALTUEÑA SANTAMARÍA, JARA (46)
COBREROS PÉREZ, ÁLVARO GUIJARRO VALTUEÑA, AINHOA (22) PASCUAL GUARDIA, SERGI (37) VÁZQUEZ GÓMEZ, FELISA (47)
CORRALES BENÍTEZ, CARLOS (17) HERNÁNDEZ ONTORIA, MARÍA (12) PASCUAL MARTÍNEZ, ADRIANA (38) VÁZQUEZ GÓMEZ, JULIO ALBERTO (47)
CUENCA RAMÍREZ, HONRUBIA LÓPEZ, RAÚL (28) PÉREZ SÁNCHEZ, EZEQUIEL JESÚS (39) VILLANUEVA MARTÍNEZ, JAVIER (9)
MARÍA DESAMPARADOS (18) IBÁÑEZ-SANZ, GEMMA (29) PÉREZ TRIGO, SILVIA (12)
CUESTA HERNÁNDEZ, MARTÍN (13) LALUEZA BLANCO, ANTONIO (12) PINILLA SANTOS, BERTA (40)
CUÑO ROLDÁN, JOSÉ LUIS (11) LÓPEZ-SERRANO, ALBERTO (30) PINTOS PASCUAL, ILDUARA (17)
(1) H. G. U. Gregorio Marañón. Madrid. (15) H. Central U. de Valencia. Valencia. (28) H. U. Infanta Sofía. Madrid. (40) Psiquiatra en ámbito privado. Madrid.
(2) H. Ruber Internacional. Madrid. (16) H. U. Virgen de la Victoria. Málaga. (29) H. U. de Bellvitge. (41) H. C. U. Lozano Blesa. Zaragoza.
(3) H. U. del Sureste. Arganda del Rey, Madrid. (17) H. U. Fundación Jiménez Díaz. Madrid. L’Hospitalet de Llobregat, Barcelona. (42) H. Infanta Cristina. Parla, Madrid y
(4) H. U. La Paz. Madrid. (18) H. U. Doctor Peset, Valencia. (30) H. U. San Juan de Alicante. Alicante. H. Central de la Cruz Roja. Madrid.
(5) H. U. Severo Ochoa. Madrid. (19) H. de Manacor. Mallorca. (31) H. U. de Basurto. Bilbao. (43) H. G. U. de Alicante. Alicante.
(6) H. U. Virgen del Rocío. Sevilla. (20) H. U. Fundación Alcorcón. Madrid. (32) H. Virgen de los Lirios. Alcoy, Alicante. (44) Clínica U. de Navarra. Madrid.
(7) H. U. Ramón y Cajal. Madrid. (21) H. U. de Getafe. Madrid. (33) H. U. Central de Asturias. Oviedo. (45) H. U. de Torrejón. Torrejón, Madrid y
(34) H. U. Virgen de las Nieves. Granada. H. HM Puerta del Sur. Móstoles, Madrid.
(8) Phoenix Children´s Hospital. Phoenix, EE.UU. (22) H. U. Puerta de Hierro. Madrid.
(35) H. U. Vall d’Hebron. Barcelona. (46) H. C. U. de Valladolid. Valladolid.
(9) H. Infanta Cristina. Parla, Madrid. (23) H. U. Son Espases. Palma de Mallorca.
(36) Clínica Alemana. Santiago de Chile, Chile. (47) H. Infantil U. Niño Jesús. Madrid.
(10) H. Clinic. Barcelona. (24) H. Can Misses. Ibiza.
(37) Parc de Salut Mar. Barcelona. (48) H. U. Rey Juan Carlos. Móstoles, Madrid.
(11) H. U. de Fuenlabrada. Madrid. (25) Centre d’Ophtalmologie Sainte Odile.
Alsacia, Francia. (38) H. U. Infanta Elena. Madrid. (49) H. Moisès Broggi. Sant Joan Despí, Barcelona.
(12) H. U. 12 de Octubre. Madrid.
(13) H. C. San Carlos. Madrid. (26) H. U. Joan XIII. Tarragona. (39) Instituto de Neuropsiquiatría y
(27) H. Quironsalud A Coruña. La Coruña. Adicciones, PSMAR. Barcelona.
(14) H. Vithas Ntra. Sra. de América. Madrid.
5
ORIENTACIÓN MIR
Rendimiento por asignatura Número medio de preguntas Eficiencia MIR
(preguntas por página) (de los últimos 11 años) (rendimiento de la asignatura
corregido por su dificultad en el MIR)
3,3 18 10
Estadística y Epidemiología es actualmente una asignatura de importancia intermedia dentro del examen MIR. Previamente era la
segunda asignatura por detrás de Digestivo, pero en las últimas convocatorias el número de preguntas se ha reducido aproximada-
mente a la mitad (debido a la inclusión del nuevo bloque de Bioética en el MIR, que ocupa preguntas tradicionalmente de Estadística).
El tema estrella es el de Tipos de Estudios Epidemiológicos, que incluye preguntas teóricas. También son muy importantes temas
en los que pueden caer problemas: Medidas en Epidemiología y Estudio de una Prueba Diagnóstica. Dentro del bloque de
Estadística, lo más importante es Contraste de Hipótesis. En los últimos años, por otra parte, son habituales 1-2 preguntas vincula-
das a imágenes (interpretación de resultados y gráficos de estudios epidemiológicos).
La asignatura tiene una alta rentabilidad de estudio al ser la mayoría de conceptos repetidos y similares año tras año. El manual
debe trabajarse de manera distinta al resto: cualquier tema de este manual se debe estudiar al detalle (salvo el tema 4), y por ello el
manual está estructurado con dos colores de texto: texto en negro, que se debe estudiar íntegro; y texto en color aguamarina, que
es simplemente texto aclaratorio o con ejemplos, que no se debe estudiar.
7
ÍNDICE
ESTADÍSTICA .........................................................................................................................................................11
TEMA 1 ESTADÍSTICA DESCRIPTIVA..............................................................................................................11
1.1. Técnicas de muestreo estadístico............................................................................................................ 12
1.2. Tipos de variables................................................................................................................................... 13
1.3. Medidas de análisis de los datos............................................................................................................. 14
1.4. Principales distribuciones de probabilidad............................................................................................... 16
Autores: Héctor Manjón Rubio, Julio Sesma Romero, Carlos Corrales Benítez.
TEMA 2 ESTADÍSTICA INFERENCIAL..............................................................................................................18
2.1. Estadística inferencial para variables cuantitativas................................................................................... 18
2.2. Estadística inferencial para variables cualitativas...................................................................................... 19
2.3. Cálculo del tamaño muestral para estudios de inferencia........................................................................ 19
Autores: Julio Sesma Romero, Carlos Corrales Benítez, Héctor Manjón Rubio.
TEMA 3 CONTRASTE DE HIPÓTESIS..............................................................................................................20
3.1. Errores en contraste de hipótesis............................................................................................................ 20
3.2. Cálculo del tamaño muestral en el contraste de hipótesis....................................................................... 21
3.3. Tests para contraste de hipótesis............................................................................................................ 22
Autores: Eduardo Franco Díez, Héctor Manjón Rubio, Julio Sesma Romero.
TEMA 4 PROBABILIDADES.............................................................................................................................25
Autores: Julio Sesma Romero, Carlos Corrales Benítez, Héctor Manjón Rubio.
EPIDEMIOLOGÍA....................................................................................................................................................27
TEMA 5 ESTUDIOS DE VALIDACIÓN DE UNA PRUEBA DIAGNÓSTICA...........................................................27
5.1. Parámetros de validez de una prueba diagnóstica................................................................................... 28
5.2. Curvas ROC (de rendimiento diagnóstico)............................................................................................... 29
5.3. Test de screening y test de confirmación................................................................................................ 30
Autores: Carlos Corrales Benítez, Eduardo Franco Díez, Julio Sesma Romero.
TEMA 6 MEDIDAS EN EPIDEMIOLOGÍA.........................................................................................................31
6.1. Medidas de frecuencia de una enfermedad............................................................................................ 31
6.2. Medidas de fuerza de asociación (medidas de efecto)............................................................................. 31
6.3. Criterios de causalidad de Bradford Hill.................................................................................................. 32
6.4. Medidas de impacto............................................................................................................................... 34
Autores: Eduardo Franco Díez, Héctor Manjón Rubio, Elena Masana Flores.
TEMA 7 TIPOS DE ESTUDIOS EPIDEMIOLÓGICOS..........................................................................................35
7.1. Estudios observacionales......................................................................................................................... 35
7.2. Estudios experimentales.......................................................................................................................... 37
7.3. Niveles de evidencia científica................................................................................................................. 38
7.4. Estructura metodológica de un trabajo científico.................................................................................... 41
7.5. Fases de realización de los estudios epidemiológicos............................................................................... 41
7.6. Fases de desarrollo de un tratamiento (fases del ensayo clínico).............................................................. 42
7.7. Diseños especiales en estudios experimentales........................................................................................ 44
7.8. Realización de muchas comparaciones en los estudios epidemiológicos.................................................. 46
7.9. Estudios de bioequivalencia.................................................................................................................... 46
7.10. Estudios farmacoeconómicos.................................................................................................................. 47
Autores: Héctor Manjón Rubio, Eduardo Franco Díez, Elena Masana Flores.
TEMA 8 ERRORES EN LOS ESTUDIOS EPIDEMIOLÓGICOS.............................................................................49
8.1. Errores aleatorios.................................................................................................................................... 49
8.2. Errores sistemáticos (sesgos)................................................................................................................... 49
8.3. Sesgos específicos de los estudios de validación de pruebas diagnósticas............................................... 52
Autores: Carlos Corrales Benítez, Elena Masana Flores, Eduardo Franco Díez.
VALORES NORMALES EN ESTADÍSTICA Y EPIDEMIOLOGÍA...................................................................................55
REGLAS MNEMOTÉCNICAS ESTADÍSTICA Y EPIDEMIOLOGÍA...............................................................................56
BIBLIOGRAFÍA........................................................................................................................................................57
9
CURIOSIDAD
Charles Spearman (Londres, 1863-1945), a quien hoy recordamos por el

test de correlación de la “ρ” de Spearman, se dedicó fundamentalmente
a lo largo de su vida al campo de la Psicología. Desarrolló la teoría
bifactorial de la inteligencia (otra de sus aportaciones a la Estadística es
el análisis factorial), por la cual existen dos factores que determinan la
inteligencia de cada sujeto y que debían residir en partes distintas del
cerebro: el factor G (genético y heredado), y el factor S (especial, que
hace referencia a la capacidad concreta de cada sujeto para lidiar con
cada problema específico).
10
ESTADÍSTICA
Tema 1
Estadística descriptiva
Autores: Héctor Manjón Rubio, H. U. Ramón y Cajal (Madrid). Julio Sesma Romero, H. U. G. de Alicante (Alicante). Carlos Corrales Benítez, H. U.
Fundación Jiménez Díaz (Madrid).
Enfoque MIR
Uno de los temas menos importantes de la asignatura, con 0-1

pregunta por término medio cada año. Lo más preguntado en
los últimos años es el apartado de técnicas de muestreo. Lo
siguiente en importancia son las propiedades de la distribución Población diana
normal. Los conceptos de percentil y de mediana son también
bastante preguntados. En cuanto a las variables, es importante
saber identificar cada tipo de variable pero son raras preguntas
Técnica de muestreo
directas al respecto. No estudies la representación gráfica de las
variables, no la preguntan.
Muestra
El objetivo de la Estadística es el estudio de una o varias
características (variables) en una o varias poblaciones diana.
Habitualmente el estudio de todos los individuos de dichas Estadística descriptiva
poblaciones es imposible por problemas logísticos, así que se
suele estudiar sólo a un grupo reducido de individuos de cada
población (muestra).
Resultados de la muestra
La Estadística descriptiva se ocupa de estudiar las variables
que nos interesan de dicha muestra; como podemos estudiar a
cada uno de los individuos de la muestra, todos los datos que
Estadística inferencial
obtengamos serán verídicos y no tendremos que extrapolar
Probabilidad de error
nuestros resultados, por lo que en Estadística descriptiva no
existe probabilidad de cometer errores.
La Estadística inferencial intenta extrapolar cómo serían los Resultados de la población
resultados de la población objetivo si fuéramos capaces de
estudiar a todos sus individuos. Para ello parte de los resultados
obtenidos en la muestra. Así, los resultados estarán sujetos a Contraste de hipótesis
una probabilidad de error, ya que si la muestra seleccionada Probabilidad de error
no fuera representativa de la población, sus resultados no
serían extrapolables a la misma.
Por último, el contraste de hipótesis compara los resultados Comparación de resultados
de varias variables en una única población, o bien los resulta-
dos obtenidos para la misma variable en varias poblaciones. Al
igual que en Estadística inferencial, para obtener los datos
poblacionales se parte de resultados de las muestras estudia-
das, por lo que existe probabilidad de error. Figura 1. Esquema de realización de un estudio estadístico.
11
Manual AMIR · Estadística y Epidemiología
1.1. Técnicas de muestreo estadístico Muestreo aleatorio sistemático

Se asigna un número a cada individuo de la población de
El muestreo consiste en la selección de una muestra a partir manera aleatoria (en el muestreo aleatorio simple no hacía
de una población. El objetivo del muestreo es que la muestra falta que esta asignación fuera aleatoria). Posteriormente, en
escogida sea representativa de la población (esto es, que vez de escoger “n” números, se escoge sólo uno, y a partir de
encierre toda la variabilidad posible que existe en la población), él se obtiene el resto mediante una regla matemática.
para que los resultados obtenidos en la muestra sean extrapo- Siempre y cuando se cumpla la premisa de ordenar a los
lables a la población. individuos de la población inicialmente al azar, esta técnica es
Antes de realizar la técnica de muestreo deseada, la estratifica- equivalente al muestreo aleatorio simple.
ción nos puede ayudar a controlar una determinada variable que Ejemplo: para obtener una muestra de cinco individuos en
no queremos que influya en nuestros resultados (MIR 12, 186) una población de 100 personas, se asigna a cada persona, de
para evitar que dicha variable actúe como factor de confusión forma aleatoria, un número del 1 al 100. Se introducen en una
(ver tema 8. Errores en estudios epidemiológicos). La urna 100 pelotas numeradas, y la regla matemática va a ser
estratificación consiste en la división de la población en varias “i + 10·x” (siendo “i” el número aleatorio obtenido, y “x” el
categorías según la variable mencionada, de modo que, una número que va a ocupar cada individuo en nuestra muestra).
vez dividida la población, elegiremos sólo a individuos de entre Se saca una pelota de la urna y el número obtenido es el 17.
las categorías de la variable que nos interese. Los individuos elegidos serán el 27, 37, 47, 57, 67.
Ejemplo: nos interesa contrastar si el consumo de marihuana
aumenta el riesgo de padecer esquizofrenia, pero no queremos
que el consumo de otras drogas (posible factor de confusión) Muestreo estratificado (MIR 17, 130)
interfiera en nuestros resultados. Así, antes de escoger la mues- Se denomina muestreo estratificado a aquel en el que, tras
tra dividimos a la población en, por ejemplo, tres categorías en realizar estratificación de una determinada variable, se elige
función de la variable “consumir otras drogas” (consumidores, una muestra al azar de cada una de las categorías estudiadas
no consumidores, exconsumidores), y posteriormente haremos de la variable.
el muestreo sólo en el grupo de no consumidores.
Muestreo por conglomerados

Técnicas de muestreo probabilístico
Los conglomerados son grupos de individuos ya presentes de
manera natural en la población y que encierran, en sí mismos,
El muestreo probabilístico utiliza el azar para elegir la muestra toda la variabilidad que posee la población diana. Son por
de entre la población, lo cual permite conocer las probabilida- tanto muestras perfectas que ya existen de manera natural.
des que tiene cada individuo de salir elegido. La utilización del En el caso de identificar conglomerados en una población, se
azar para escoger la muestra (en lugar de cualquier criterio que podría numerar a cada conglomerado y seleccionar, de manera
defina el investigador) hace que existan más probabilidades de aleatoria, el o los conglomerados necesarios.
que la muestra sea representativa de la población, por lo que En ocasiones estudiar un conglomerado entero puede resultar
las técnicas probabilísticas son mejores. muy costoso por tener éste demasiado tamaño muestral.
Ejemplo: si de una población de 100 personas queremos coger En ese caso podemos, dentro del conglomerado, realizar un
15 al azar, cada individuo tendrá 15/100 (15%) de probabili- muestreo aleatorio para seleccionar un menor número de
dades de salir escogido. individuos; como hemos realizado dos técnicas de muestreo
una detrás de otra, este tipo de muestreo se llama bietápico.
Ejemplo: en una ciudad existen 10 hospitales que atienden
Muestreo aleatorio simple un espectro de pacientes similar. Si queremos estudiar la
Se asigna un número a cada individuo de la población, y población hospitalizada de dicha ciudad, en lugar de escoger
posteriormente se escogen tantos números sean necesarios una muestra de pacientes de los 10 hospitales, podríamos
para completar el tamaño muestral requerido. elegir al azar un único hospital (conglomerado) y estudiar a los
pacientes ingresados en él.
Ejemplo: para obtener una muestra de cinco individuos en
una población de 100 personas, se asigna a cada persona un
número del 1 al 100. Se introducen en una urna 100 pelotas Técnicas de muestreo no probabilístico
numeradas, y se sacan de la urna cinco pelotas.
El muestreo aleatorio simple puede realizarse sin reposición
de elementos (los individuos escogidos no pueden volver a Los participantes en el estudio se seleccionan siguiendo
ser elegidos) o con reposición de elementos (los individuos criterios no aleatorios que define el investigador, por lo que,
escogidos vuelven a ser introducidos en la población de la aunque se procura que la muestra sea representativa, las
que se obtiene la muestra, de modo que podrían volver a salir probabilidades de que no lo sea serán altas y la capacidad para
elegidos). El muestreo con reposición de elementos es mejor extrapolar los resultados a la población será menor que con
porque se garantiza que en cada extracción de un individuo los métodos probabilísticos. Por lo tanto, son peores que las
las probabilidades de salir elegido sean las mismas, pero en técnicas probabilísticas.
poblaciones pequeñas existirá el riesgo de que un mismo La técnica no probabilística más utilizada es el muestreo de
individuo salga elegido varias veces. Por tanto, el muestreo casos consecutivos, que es la técnica de muestreo habitual
con reposición de elementos suele utilizarse en poblaciones de los ensayos clínicos.
grandes, donde la probabilidad de salir elegido dos veces es
tan baja que el riesgo que se corre es pequeño.
12
Tema 1 · Estadística descriptiva
Muestreo de casos consecutivos (MIR) Variables cuantitativas

Consiste en reclutar a todos los individuos de la población
accesible que cumplan los criterios de selección del estudio Hacen referencia a características que se expresan mediante
dentro de un intervalo de tiempo específico o hasta alcanzar valores numéricos (p. ej., la tensión arterial, la tempera-
un determinado número. Si se lleva a cabo de manera adecua- tura…). Dichos valores numéricos cumplen las propiedades
da, la representatividad de la muestra puede ser semejante a matemáticas de los números (p. ej., tener cuatro hijos implica
la de un muestreo probabilístico. tener el doble de hijos que una persona que tenga dos).
Muestreo de conveniencia o accidental Variables cuantitativas discretas

Método sencillo y económico, que consiste en seleccionar Los valores numéricos no pueden adoptar cualquier valor (en
sujetos accesibles, que estén a mano del investigador. Si el general, sólo podrán ser números enteros).
fenómeno estudiado no es suficientemente homogéneo en la
población, las posibilidades de sesgo son muy elevadas. Ejemplo: número de pacientes atendidos en un día en una
consulta: se pueden atender 23 o 24 pacientes, pero no 23,5
pacientes. ¡Ojo! Al trabajar con estas variables, por ejemplo al
Muestreo a criterio o intencional calcular la media, sí podríamos obtener decimales.
En este tipo de muestreo el investigador incluye grupos de

individuos que juzga típicos o representativos de la población, Variables cuantitativas continuas
suponiendo que los errores en la selección se compensarán
unos con otros. Los valores numéricos pueden adoptar cualquier valor, inclu-
yendo decimales.
Ejemplo: presión arterial: si tuviera un aparato lo suficien-
1.2. Tipos de variables temente preciso podría indicar una PAS de 140,6 mmHg.
¡Ojo! Aunque habitualmente sólo utilicemos una variable con
números enteros, debemos pensar si sería posible dar un valor
Variables cualitativas (categóricas) (MIR 15, 184) con decimales de dicha variable.
Hacen referencia a características que no se expresan mediante

Representación gráfica de las variables
valores numéricos (p. ej., el color de pelo, la raza…).
Representación de variables cualitativas y cuantitativas

Variables cualitativas ordinales (MIR) discretas:
Cuando los distintos valores de una variable cualitativa siguen
un orden, nos interesará asignar a cada valor un número
arbitrario (que nos inventamos) en función del orden que Diagrama de rectángulos
ocupa cada categoría. Esto es así porque los tests estadísticos En el eje de abscisas se representan cada una de las posibles
que se utilizan para las variables que se expresan con números categorías, y en el eje de ordenadas su frecuencia.
son más potentes que los tests empleados para variables
cualitativas “puras”.
Se distinguen de las variables cuantitativas en que los números
asignados no cumplen propiedades matemáticas.
Ejemplo: escala del dolor: leve = 1, moderado = 2, intenso = Pronóstico en intervención quirúrgica
3. Tener un dolor “2” no significa tener el doble de dolor que
un dolor “1”.
35
30
Variables cualitativas nominales
Los valores de la variable no siguen un orden, y por tanto los 25
nombraremos con palabras y no con números (p. ej., el color
20
de pelo).
Cuando una variable cualitativa sólo puede tomar dos valores 15
(p. ej., sexo: masculino o femenino) se denomina dicotómica
10
o binaria (MIR). Si puede tomar más de dos valores se deno-
mina no dicotómica. 5
0
Recuerda...
Complicaciones mayores Sin complicaciones
Las variables expresadas como porcentajes
suelen ser variables cualitativas. Complicaciones menores Exitus
Ejemplo: si la prevalencia de EPOC es del 10%,
la variable es tener o no tener EPOC, esto es, cualitativa. Figura 2. Diagrama de rectángulos y diagrama de sectores.
13
Diagrama de barras 1.3. Medidas de análisis de los datos

Como el diagrama de rectángulos, pero cada “rectángulo” (en
este caso barra) representa un intervalo de valores; las barras Las variables cualitativas se suelen expresar mediante por-
están pegadas entre sí (a diferencia de los rectángulos) porque centajes (indicando el porcentaje de observaciones que
los intervalos representados por cada uno se solapan en los presenta cada categoría de la variable), y no tienen medidas
extremos. ¡Ojo! Cada intervalo podría abarcar sólo un valor, de dispersión.
como en el ejemplo de la figura 3.
Sin embargo, las variables cuantitativas se deben expresar
mediante una medida de tendencia central y una medida
de dispersión. Además, existen medidas de posición para
indicarnos el lugar que ocupa cada observación dentro de la
419
distribución.
375
400
Medidas de tendencia central

300
255
215
Recuento
Informan acerca de cómo se agrupan los distintos valores

200 registrados de los individuos de la muestra, indicando dónde
se encuentra el centro de la distribución.
127
100
54
Media aritmética
24
23
17
La más utilizada, principalmente en distribuciones simétricas.

0 Número de hijos Es el “centro de gravedad” del conjunto de valores. No debe
0 1 2 3 4 5 6 7 8 ó más usarse en distribuciones asimétricas ya que, al ser un cálculo
matemático, los valores de los extremos influirán más que los
Figura 3. Diagrama de barras. centrales pudiendo artificialmente desplazar el valor de la me-
dia hacia ellos (en cuyo caso la media dejará de indicar dónde
está el centro).
Diagrama de sectores
Círculo dividido en porciones cuya superficie es proporcional a ∑ xi
la frecuencia de cada valor de la variable. –x =
n
Representación de variables cuantitativas continuas:
Mediana (MIR 11, 173; MIR)
Histograma Es el valor de la variable que presenta el individuo que ocupa
la posición central si ordenamos las observaciones de menor
Como un diagrama de barras, pero la anchura de cada barra es a mayor, esto es, que divide el conjunto de observaciones
proporcional al tamaño del intervalo que representa. en dos partes iguales (deja la mitad de las observaciones por
encima y la mitad por debajo). Si la distribución de valores es
simétrica, coincide con la media. Es la más indicada si los datos
Polígono de frecuencias
a analizar tienen una distribución asimétrica o presentan
Se obtiene de la unión del punto medio del vértice superior de valores extremos.
cada barra de un histograma.
Moda
Es el valor más repetido de todos los valores de la variable. Puede
250 ser un valor único o haber varias. Es útil para distribuciones con
varios “picos” de frecuencia, esto es, con varias modas.
200
Medidas de dispersión
150
Recuento
Cuando analizamos los resultados, una variable cuantitativa en

100
una muestra de sujetos, no sólo nos interesa en torno a qué
valor se agrupan los resultados obtenidos (medida de tenden-
50 cia central), sino también si las observaciones se encuentran
“cerca” o “lejos” del centro de la distribución. Este dato lo
0 indican las medidas de dispersión (MIR 14, 190).
10 20 30 40 50 60 70 80 90 Para las variables de distribución simétrica se utiliza la desvia-
Edad del encuestado ción típica, y para las variables de distribución asimétrica el
rango intercuartílico.
Figura 4. Histograma (verde claro) y polígono de frecuencias (verde oscuro).
14
Ejemplo: la media de presión arterial sistólica de una muestra queremos expresar un porcentaje en tanto por 1, deberemos
de pacientes puede ser de 130 mmHg porque la mitad tiene dividir el resultado por 100.
129 mmHg y la otra mitad 131 mmHg (esta muestra tiene una
PAS muy bien controlada), pero también puede ser 130 mmHg
porque la mitad de pacientes tenga 90 mmHg y la otra mitad
Recuerda...
170 mmHg (a pesar de tener la misma media, esta muestra es
muy diferente de la otra, ya que los valores individuales están En variables cuantitativas de distribución simétrica,
muy “alejados” del centro). los resultados se expresan con la media y la desviación típica.
Las principales medidas de dispersión son (MIR 10, 178): En variables cuantitativas de distribución asimétrica, los
resultados se expresan con la mediana y el rango intercuartílico.
Desviación típica (desviación estándar, σ)

Es la media de la diferencia que existe entre cada observación Medidas de posición (localización)
individual realizada y la media aritmética de la distribución. Se
obtiene a partir de la raíz cuadrada de la varianza (σ2), que es
Se basan en la ordenación de las observaciones de menor a
la media del cuadrado de dichas diferencias.
mayor, y la posterior división de la distribución obtenida en
grupos que contienen el mismo número de observaciones. A
∑ (xi – x)2 cada grupo se le asigna un número que indica el número de
σ2 = σ= σ2 grupos situados a su “izquierda”, esto es, que tienen valores
n de la variable menores o iguales a él. En general a estos gru-
pos se les denomina “centiles”, pero en función del número
de grupos que se utilicen existen distintos nombres:
Para calcular la desviación típica es necesario realizar una ar-

gucia matemática, ya que si calculamos sin más la media de la Cuartiles
diferencia o “separación” mencionada, al sumar la separación
de los valores menores a la media (a la “izquierda”), que dará Se divide a la distribución en cuatro partes iguales.
números negativos, más la separación de los valores mayores a
la media (a la “derecha”), que dará números positivos, los nú-
meros positivos se anularán con los negativos y obtendremos Deciles
un resultado = 0. Se divide a la distribución en 10 partes iguales.
Dicha argucia matemática es la varianza, que es la media del
cuadrado de la separación mencionada. Al elevar al cuadrado
las separaciones “negativas”, se vuelven números positivos y ya Percentiles (MIR)
no se anulan con las separaciones positivas. Se divide a la distribución en 100 partes iguales.
Rango (recorrido) La mediana ocupa la posición central de una distribución,

Es la diferencia entre el valor máximo que toma la variable y por lo que también es una medida de localización. Al situarse
su valor mínimo. en el centro, equivale al cuartil 2 (C2), decil 5 (D5) o percentil
50 (p50).
Ejemplo: el percentil 75 (p75) será el valor de la variable obte-
Rango intercuartílico nido por aquél individuo tal que el 75% de las observaciones
hayan sido menores o iguales a dicho valor, y el 25% de las
Es la diferencia entre el valor que ocupa el cuartil 3 (C3) de la
observaciones hayan sido mayores a dicho valor. El p75 equi-
distribución y el valor que ocupa el cuartil 1 (C1). Esto es, es el
vale al C3 y al D7,5.
“rango” existente entre los individuos que se sitúan en el 50%
central de la distribución.
0,5
Coeficiente de variación (MIR)
Se utiliza para comparar la dispersión de varias distribuciones, 0,4
ya que no tiene unidades (es adimensional). Indica qué
porcentaje respecto de la media supone la desviación típica de
una distribución. 0,3
Ejemplo: no es lo mismo separarse (DT) 10 kg respecto a 50 kg
de media (un 20% de separación) que respecto a 100 kg de 0,2
media (un 10% de separación).
0,1
CV = σ / x–
0
¡Ojo! Cuando queremos expresar cualquier resultado en %, -4 -3 -2 -1 0 1 2 3 4
tenemos que multiplicar el resultado por 100, y viceversa, si
Figura 5. Dispersión de distribuciones.
15
Medidas de forma de una distribución Definición de una curva de distribución normal

según la forma
Cuando dos distribuciones coinciden en sus medidas de posi- Cuando una distribución de datos presenta un coeficiente de
ción y dispersión, se hace difícil su comparación. Una manera asimetría g1 = ±0,5 y un coeficiente de curtosis de g2 = ±0,5
de hacerlo es a través de la forma de la distribución. Para ello cumple criterios de distribución normal.
las distribuciones se comparan con la distribución normal en
sus valores ideales, con media 0 y varianza 1 (distribución nor-
mal “tipificada”). Las dos medidas de la forma que se utilizan 1.4. Principales distribuciones de probabilidad
habitualmente son el grado de asimetría y el apuntamiento o
curtosis. La “distribución” de los resultados de una variable es un modo
de llamar a la morfología que toma la representación gráfica
Asimetría de dichos resultados. Cuando estudiamos los resultados de
nuestro estudio, nos interesará que se distribuyan de forma
Estudia la deformación horizontal de los valores en torno al similar a distribuciones ya conocidas y que tienen propiedades
valor central, la media, observando la concentración de la va- matemáticas interesantes, para que podamos aplicar dichas
riable hacia uno de sus extremos. Se mide con los coeficientes propiedades matemáticas a nuestros resultados.
de asimetría (el más utilizado es el coeficiente de asimetría de Para las variables cuantitativas continuas nos interesará
Fisher ó g1). Una distribución es simétrica cuando a la derecha comprobar si se distribuyen de forma similar a la distribución
y a la izquierda de la media existe el mismo número de valores, normal (de Gauss).
equidistantes dos a dos de la media, de tal manera que media,
mediana y moda son iguales (g1 = 0). Para las variables cualitativas y para las cuantitativas
discretas podemos utilizar varias distribuciones, siendo las más
Cuando tenemos una curva asimétrica a la izquierda o negati- utilizadas la binomial y la de Poisson.
va, la mayoría de valores están a la derecha de la media (g1
<0), y la media es menor a la mediana, y ésta a su vez a la
moda. Cuando tenemos una curva asimétrica a la derecha o Distribución normal (de Gauss) (MIR)
positiva, la mayoría de valores se encuentra a la izquierda de la
media (con g1 >0), y la media es mayor que la mediana, y ésta
a su vez que la moda. La mayoría de las variables biológicas (presión arterial, tem-
peratura, datos de laboratorio, peso, altura, etc.) se distribuyen
con este patrón.
Se define por una función de probabilidad continua, cuyo
Curva de asimetría Curva de asimetría rango va desde –∞ hasta +∞, en la cual los valores se agrupan
negativa Curva simétrica positiva
en torno a un valor central con forma de campana.
• Es simétrica.
• La media aritmética, mediana y moda coinciden (MIR).
• Es unimodal (tiene una única moda).
media < mediana media = mediana mediana < media • El área bajo la curva de la distribución es igual a 1.
La distribución normal, aplicada a la estadística descriptiva re-
Figura 6. Asimetría. presenta el porcentaje de observaciones que tiene cada valor
posible, por lo que la suma de todos los porcentajes (área
bajo la curva) será = 100% = 1.
Curtosis o apuntamiento (MIR 13, 177)
La curtosis mide el grado de agudeza o achatamiento de una La principal utilidad matemática de la distribución normal es
distribución en relación a la distribución normal (determina que permite definir una serie de intervalos que encierran un
cuán puntiaguda es una distribución). Se mide con el coeficien- área bajo la curva conocida. En estadística descriptiva, esto
te de curtosis de Fisher (g2). Se dice que una curva es mesocúr- implica que si nuestros resultados se distribuyen de un modo
tica cuando posee un grado de apuntamiento igual a la “normal”, podremos establecer unos intervalos que indiquen
distribución normal (g2 = 0). Se denomina leptocúrtica si es entre qué valores se encuentra un determinado porcentaje
más apuntada o puntiaguda (g2 >0). Se denomina platicúrtica de las observaciones de nuestra muestra (MIR 13, 175;
si es más achatada (g2 <0). MIR):
• El intervalo –x ± σ comprende el 68% de los valores centrales

u observaciones. Fuera de dicho intervalo queda el 32% de
las observaciones (el 16% a cada lado).
• El intervalo –x ± 2 σ comprende el 95% de los valores centrales
u observaciones. Fuera de dicho intervalo queda el 5% de las
observaciones (el 2,5% a cada lado).
• El intervalo –x ± 2,5 σ comprende el 99% de los valores cen-
trales u observaciones. Fuera de dicho intervalo queda el 1%
Leptocúrtica Mesocúrtica Platicúrtica
de las observaciones (el 0,5% a cada lado).
Figura 7. Curtosis.
16
Distribución binomial
% Se aplica a variables cuantitativas discretas o cualitativas, y

consiste en convertir la variable en dicotómica, habiendo por
16% 68% 16% tanto una probabilidad de “éxito” p(A) y una probabilidad de
fracaso: su probabilidad complementaria p(1-A).
2,5% 95% 2,5% Distribución de Poisson
Es un caso particular de la distribución binomial que se utiliza

..-∞ -2,5σ -2σ -1σ +1σ +2σ +2,5σ ..+∞ para sucesos muy poco frecuentes: aquéllos en los que p(A) ó
x p(1-A) <10%, y además hay <5 individuos dentro de alguna
categoría (n · p(A) <5 ó n · p(1-A) <5).
Figura 8. Distribución normal. En la distribución de Poisson la media coincide con la varianza.
17
Tema 2
Estadística inferencial
Autores: Julio Sesma Romero, H. U. G. de Alicante (Alicante). Carlos Corrales Benítez, H. U. Fundación Jiménez Díaz (Madrid). Héctor Manjón Rubio,
H. U. Ramón y Cajal (Madrid).
% Muestra prob. Población

Enfoque MIR
La inferencia de variables cuantitativas (medias) era pregun-

tada de forma repetida hasta hace unos años, a modo de proble-
mas para calcular e interpretar intervalos de confianza (“existe un
95% de probabilidades de que el verdadero valor de la media se
encuentre entre…”). Desde entonces ha habido menos preguntas
al respecto, y han sido más teóricas. La inferencia de variables
cualitativas (porcentajes) no la preguntan desde hace unos 15
años, por lo que no la estudies. x variable μ x
x ± z·σ μ ± z · eem
Recuerda... Figura 1. Estadística descriptiva (izquierda) y estadística inferencial (derecha).
La Estadística inferencial estima cómo serían los

resultados de la población objetivo si fuéramos capaces
de estudiar a todos sus individuos. Para ello, extrae Expresión de resultados de una inferencia de medias
conclusiones a partir de los resultados obtenidos en la (MIR)
muestra, por lo que existirá una probabilidad de error.
Al igual que al expresar los resultados de la muestra se utilizan

2.1. Estadística inferencial intervalos que indican entre qué valores se encuentra un
determinado porcentaje de las observaciones, al estimar los
para variables cuantitativas resultados de la muestra se utilizarán intervalos de confianza
(IC) que indicarán entre qué valores se encuentra, con una
El objetivo va a ser estimar, con un determinado nivel de determinada probabilidad, la verdadera media poblacional.
confianza, entre qué niveles se encontrará la verdadera
media poblacional de la variable que hemos medido en • La medida de tendencia central (media poblacional = µ) se
nuestra muestra. equipara a la media muestral (µ = x).
Para ello pasamos de la distribución de resultados de nuestra Si nuestra muestra es representativa de la población, la media
muestra, que refleja el porcentaje o número de observacio- muestral será el valor más probable que podrá tomar la media
nes que tienen cada uno de los valores posibles de la variable, poblacional.
a una distribución de resultados poblacional, que refleja la
probabilidad de que cada una de las posibles medias sea la • La medida de dispersión utilizada se denomina error están-
verdadera media poblacional (MIR 19, 123). dar de la media (MIR 19, 122; MIR 12, 172) (eem), y se
calcula a partir de la desviación típica muestral.
Teóricamente, la estadística inferencial simula qué ocurriría si,
en vez de una sola muestra poblacional, fuéramos capaces de
estudiar infinitas muestras poblacionales (que conjuntamente σ
representarían a la población entera). De cada una de dichas eem =
muestras obtendríamos la media de la variable estudiada, y n
representaríamos dichas medias en una distribución de pro-
babilidad (ver figura 1). El valor medio de las teóricas medias
muestrales obtenidas es el valor más probable que adquirirá la Para el cálculo de los intervalos de confianza (IC) se
verdadera media poblacional. En torno a dicho valor podemos utilizan las propiedades matemáticas de la distribución normal
construir intervalos (de confianza) que indicarán, con una (MIR 15, 185):
cierta probabilidad (68%, 95% o 99%), entre qué valores se
encontrará la verdadera media poblacional. • IC del 68% = µ ± eem
Si la distribución muestral es normal, o si n >30 (teorema • IC del 95% = µ ± 2 eem
central del límite), la distribución poblacional también será
normal y podremos utilizar las propiedades matemáticas de • IC del 99% = µ ± 2,5 eem
dicha distribución.
18
Tema 2 · Estadística inferencial
2.2. Estadística inferencial Para el cálculo de los intervalos de confianza (IC) se utilizan
para variables cualitativas las propiedades matemáticas de la distribución normal:
• IC del 68% = P(A) ± eep

El objetivo va a ser estimar, con un determinado nivel de • IC del 95% = P(A) ± 2 eep
confianza, entre qué niveles se encontrará el verdadero
porcentaje poblacional de la categoría de la variable que • IC del 99% = P(A) ± 2,5 eep
hemos medido en nuestra muestra.
Para ello pasamos de una distribución de resultados binomial
2.3. Cálculo del tamaño muestral
de nuestra muestra, que refleja el porcentaje p(A) de la
categoría que queremos inferir y su porcentaje complemen- para estudios de inferencia
tario p(1-A), a una distribución de resultados poblacional, que
refleja la probabilidad de que cada uno de los posibles por- Antes de realizar cualquier estudio epidemiológico, se debe
centajes sea el verdadero porcentaje poblacional. La variable analizar cuál es el tamaño muestral mínimo necesario para
de la distribución poblacional (“porcentaje poblacional”) es conseguir ofrecer unos resultados suficientemente precisos.
cuantitativa y sigue una distribución normal.
En los estudios de inferencia (estimar cómo será un paráme-
¡Ojo! Al inferir un porcentaje, como empleamos la distribución tro en la población, p. ej., la prevalencia de una enfermedad)
binomial estamos realizando la estimación poblacional de una es necesario conocer los siguientes datos para calcular el
sola categoría de la variable (p. ej., en la variable “color de tamaño muestral:
pelo”, tendremos que elegir una sola categoría –pelo rubio,
pelo castaño, pelo moreno…- cada vez que realicemos inferen- • Nivel de precisión (anchura del intervalo de confianza) deseado.
cia).
• Nivel de confianza deseado (95%, 99%...) (MIR 18, 215); a
menor nivel de confianza, menor amplitud del intervalo de
% Muestra prob. Población confianza si mantenemos el mismo tamaño muestral.
Además, necesitamos otro dato que depende del tipo de

variable utilizada en nuestro estudio:
p(A)
• Variable cualitativa: porcentaje esperado del parámetro que
p(1-A)
se va a medir (según estudios previos) (MIR).
• Variable cuantitativa: varianza de la variable (MIR 14, 191).
categoría “A” resto de P(A) p(A)
categorías No es necesario conocer (MIR): error beta.
P(A) ± z · eep
Aclaración: en ocasiones, los autores de las preguntas MIR de-
Figura 2. Estadística descriptiva (izquierda) y estadística inferencial (derecha). nominan erróneamente la probabilidad de error que existe en
estadística inferencial (complementario del nivel de confianza
del estudio) como error alfa. Sin embargo, debemos “acep-
Expresión de resultados de una inferencia de tar” ese error como correcto cuando respondamos preguntas
porcentajes sobre el cálculo del tamaño muestral.
• La medida de tendencia central [porcentaje poblacional =

P(A)] se equipara al porcentaje muestral [P(A) = p(A)].
• La medida de dispersión utilizada se denomina error están-
dar del porcentaje (eep). Como las variables cualitativas no
tienen medidas de dispersión (no tienen desviación típica), se
calcula a partir del porcentaje muestral.
p(A) · p (1-A)
eep =
n
19
Tema 3
Contraste de hipótesis
Autores: Eduardo Franco Díez, H. U. Ramón y Cajal (Madrid). Héctor Manjón Rubio, H. U. Ramón y Cajal (Madrid). Julio Sesma Romero, H. U. G. de
Alicante (Alicante).
Enfoque MIR REALIDAD

Es el tema más importante del bloque de Estadística del manual. Se cumple H1 Se cumple H0
Todos los años hacen alguna pregunta sobre el concepto de error (A ≠ B) (A = B)
alfa y error beta, y sobre la interpretación de los resultados de
un estudio en función del nivel de significación “p”. Además, Veo diferencias Potencia Error Tipo I
también suele haber una pregunta sobre test de contraste de ESTUDIO (se acepta H1) 1−ß α
hipótesis, preferentemente por los más avanzados (análisis mul- TEST
tivariante y análisis de supervivencia) en lugar de por los tests No veo
“tradicionales” (t de Student, ANOVA…). En los últimos años se Error Tipo II
diferencias (no 1−α
ha puesto de moda el análisis de no-inferioridad. ß
se rechaza H0)
Tabla 1. Contraste de hipótesis en estudios con diseño de superioridad.

Recuerda...
El contraste de hipótesis compara los resultados de o bien si esa otra es mejor. En este caso H0 es la igualdad “A =
varias poblaciones entre sí, para lo cual debe realizar B”, y H1 es la presencia de diferencias “A ≠ B”. Se utiliza por
inferencia poblacional a partir de muestras obtenidas tanto un contraste de hipótesis bilateral o de dos colas, ya
de cada población. Por tanto, al igual que en Estadística que nos interesa conocer si hay diferencias en ambos sentidos
inferencial, existe probabilidad de error. de la igualdad (A > B, B > A).
3.1. Errores en contraste de hipótesis Diseño de no inferioridad

(MIR 18, 25; MIR 16, 29; MIR 16, 190; MIR 15, 190)
El contraste de hipótesis se utiliza en estudios que pretenden El objetivo es determinar si la intervención experimental “A”
determinar si existen diferencias (comparación) o asociaciones no es peor que otra ya existente “B”; nos da igual que sea
(correlación) entre varias variables. El objetivo del contraste de igual o superior, lo que queremos es únicamente que no sea
hipótesis es determinar si esas diferencias o asociaciones obser- inferior. En este caso H0 es la presencia de inferioridad “A <
vadas se deben al azar, o bien se deben a un efecto real (MIR). B”, y la H1 es la situación de no inferioridad “A ≮ B”. Se
Para ello, se definen dos hipótesis y las respectivas probabilida- utiliza por tanto un contraste de hipótesis unilateral o de
des de que cada una de ellas se deba al azar (errores alfa y beta). una cola, ya que sólo nos interesa descartar que no haya
diferencias en el sentido en que “A” es peor que “B” (A < B).
• Hipótesis nula (H0): no existe asociación entre las variables Para realizar un análisis de no inferioridad, debemos establecer
analizadas. un límite de no inferioridad (δ = delta) (MIR 10, 188) a
partir del cual consideraremos que la intervención experimental
• Hipótesis alternativa (H1): existe asociación entre las varia-
es “inferior” a la ya existente. Dicho límite es arbitrario y suele
bles analizadas.
establecerse en un 20% de diferencias: el fármaco experimen-
tal debe conseguir al menos el 80% del beneficio que consigue
En la realidad sólo se podrá cumplir una de dichas hipótesis (o la intervención control.
existe asociación, o no existe), pero al realizar nuestro estudio
podemos acertar o bien equivocarnos, viendo asociación
cuando no la hay (error alfa), o no viendo asociación cuando Diseño de equivalencia terapéutica
las hay en la realidad (error beta). Así, existen cuatro posibili- El objetivo es determinar si la intervención experimental “A”
dades si contrastamos los resultados de la realidad con los es similar a otra ya existente “B”; la intervención experi-
obtenidos en nuestro estudio (ver tabla 1). mental no debe ser mejor ni peor, sino producir un efecto
terapéutico equivalente. En este caso H0 es la ausencia de
equivalencia “A ≉ B”, y la H1 es la situación de equivalencia
Hipótesis nula y alternativa
terapéutica “A ≈ B”.
según el objetivo de nuestro estudio
Al igual que en un análisis de no inferioridad, debemos
establecer unos límites arbitrarios para definir la situación de
Diseño de superioridad (MIR 19, 118; MIR) equivalencia. Dichos límites se suelen establecer en un ± 20%:
El objetivo es conocer si una intervención “A” (tratamiento, el efecto de un fármaco debe encontrarse entre el 80% y el
prueba diagnóstica, etc.) es mejor que otra intervención “B”, 120% del efecto que produce el otro (no puede ser más de un
20% peor ni más de un 20% mejor) (MIR).
20
Tema 3 · Contraste de hipótesis
El ejemplo más típico de diseño de equivalencia terapéutica son Potencia estadística (poder estadístico) (MIR 10, 179; MIR)
los estudios de bioequivalencia, que se utilizan para autori-
zar la comercialización de los fármacos genéricos comparando
sus propiedades farmacocinéticas con los respectivos fármacos Es la probabilidad de detectar diferencias (en el estudio se
originales (ver tema 7. Tipos de estudios epidemiológicos). acepta H1 y se rechaza H0) cuando en realidad existen (en la
realidad, H1 es cierta): es la probabilidad de rechazar la
hipótesis nula siendo falsa. Por lo tanto, es un resultado
Error tipo I (error alfa) “verdadero positivo”.
(MIR 13, 174; MIR 12, 173; MIR 11, 172; MIR 10, 176) La potencia estadística y el error beta son complementarios
(potencia + β = 1). Por lo tanto:
Es el error que se comete cuando las diferencias observadas se
deben al azar (en la realidad, H0 es cierta), pero el investigador Potencia estadística = 1 – β
lo interpreta como debido a una diferencia o asociación (en el β = 1 – potencia estadística
estudio, se acepta H1 y se rechaza H0): es la probabilidad de
rechazar la hipótesis nula siendo cierta. Por lo tanto, es un
resultado “falso positivo”. Así, de forma análoga al error beta, cuando se realizan estu-
dios epidemiológicos y se concluye que no existen diferencias,
La probabilidad de cometer este error es α, que define el nivel se suele requerir que la potencia estadística sea al menos de
de significación estadística de los estudios epidemiológicos. un 80%.
Una vez realizado cualquier estudio epidemiológico de com-
paración, se calcula mediante un test estadístico el valor “p”,
que es la probabilidad de que una diferencia igual o mayor
a la observada en el estudio no exista en la realidad (esto es, Recuerda...
de que estemos incurriendo en un error α). Si el valor de “p” Los errores alfa y beta son errores aleatorios, esto es, debidos
es inferior al nivel de significación estadística α que hayamos al azar (es el azar el que hace que el estudio falle y detecte
predefinido antes de iniciar el estudio (en general se define diferencias cuando no las hay, o no las detecte cuando las hay).
α = 0.05), diremos que los resultados del estudio han sido Los errores aleatorios se solucionan aumentando el tamaño
estadísticamente significativos (MIR). muestral, por lo que ante un estudio cuyos resultados no sean
estadísticamente significativos (p >0,05), si diseñamos un nuevo
• p <0,05: se acepta H1 y se rechaza H0. estudio incluyendo un mayor tamaño muestral, es posible que
• p >0,05: no se acepta H1 y no se rechaza H0. consigamos alcanzar entonces la significación estadística.
↑ n → ↓ α, ↓ β, ↑ potencia estadística
El nivel de significación de un contraste de hipótesis es inde-
pendiente de la magnitud de las diferencias encontradas
entre las intervenciones que se comparan.
Recuerda...
Regla mnemotécnica
Trucos para acertar las preguntas sobre
Para recordar el error alfa: α-fetoproteína (α-FP). contraste de hipótesis en el MIR:
• Las opciones categóricas (“siempre”, “nunca”, “sin lugar a
El error tipo α es un resultado falso positivo (FP). dudas”) son falsas. Se debe tener en cuenta que existe un
margen de error que podemos cometer.
• Las opciones correctas suelen aplicar la definición de error alfa o
Error tipo II (error beta) (MIR) error beta al ejemplo del enunciado, y para ello nos “traducen”
la tabla 1 de este tema. Son por ello opciones que parecen
Es el error que se comete cuando las diferencias observadas trabalenguas y que tienen el siguiente esquema con dos par-
son reales (en la realidad, H1 es cierta), pero el investigador tes, la primera que nos habla de lo que ocurre en la realidad, y
lo interpreta como debido al azar (en el estudio, no se acepta la segunda que nos habla sobre los resultados de nuestro estu-
H1 y no se rechaza H0): es la probabilidad de no rechazar dio: “En el caso de que no existieran diferencias entre los dos
la hipótesis nula siendo falsa. Por lo tanto, es un resultado fármacos (= si en la realidad se cumple H0), existiría una proba-
“falso negativo”. bilidad de encontrar unos resultados como los obtenidos (= si,
p. ej., en nuestro estudio hemos visto diferencias significativas
Cuando se realizan estudios epidemiológicos y se concluye que -H1-) inferiores al 5% (= hemos obtenido una p <0.05)”.
no existen diferencias, se suele requerir una probabilidad de
haber cometido un error beta <0,20 (menos del 20%)
(MIR 19, 115). No obstante, el error beta es menos importante
que el error alfa y en muchas ocasiones ni siquiera se calcula.
3.2. Cálculo del tamaño muestral
en el contraste de hipótesis
Recuerda...
La hipótesis nula nunca se puede aceptar, Como en cualquier estudio epidemiológico, se debe analizar
y la hipótesis alternativa nunca se puede rechazar. Así pues: antes de comenzar el estudio cuál es el tamaño muestral míni-
• La hipótesis nula se rechaza o “no se rechaza”. mo necesario para conseguir unos resultados suficientemente
• La hipótesis Alternativa se Acepta o “no se acepta”. precisos.
21
En los estudios de contraste de hipótesis (p. ej., comparar 3.3. Tests para contraste de hipótesis
qué fármaco “A” o “B” es mejor) es necesario conocer los
siguientes datos para calcular el tamaño muestral:
Tests para estudios de comparación de variables
1. Aquellos parámetros que hacía falta conocer para estadís-
tica inferencial: Los principales tests para comparación de variables se exponen
- Nivel de precisión que queremos que tenga el intervalo de en la tabla 2. Para elegir el tipo de test a utilizar nos debere-
confianza. mos fijar en dos criterios fundamentales:
- Nivel de confianza deseado (68%, 95%, 99%). • Qué tipo de variable (cualitativa o cuantitativa) es la va-
riable resultado que tenemos que comparar. Los tests para
- Variabilidad del parámetro estudiado (según estudios pre-
variables cuantitativas aportan una mayor potencia estadís-
vios), si la variable de interés es cuantitativa.
tica (permiten alcanzar la significación estadística con menor
- Porcentaje esperado del parámetro que se va a medir tamaño muestral y sus resultados son más precisos) que los
(según estudios previos), si la variable de interés es cuali- utilizados para variables cualitativas.
tativa.
Cuando la variable es cuantitativa, además, tendremos que
2. Parámetros específicos del contraste de hipótesis: elegir entre los siguientes grupos de tests estadísticos:
- Tipo de diseño del estudio y si el análisis será de una cola - Tests paramétricos: se utilizan cuando la variable sigue
o de dos colas. una distribución normal (MIR), o bien si n >30 (pese a que
la distribución no sea normal). Aportan una mayor potencia
- Error tipo α y tipo β permitidos: nivel de potencia estadís-
estadística que los no paramétricos.
tica deseado. Cuanta mayor potencia, y cuanto menor α
y β deseados, mayor tamaño muestral (MIR 10, 190). - Tests no paramétricos: se utilizan cuando la variable no
sigue una distribución normal y además n <30.
- Magnitud de la diferencia mínima clínicamente relevante
que se desea demostrar entre los dos fármacos (δ). Las variables ordinales se consideran como si fueran cuan-
titativas, pero con la restricción de que sólo se puede em-
Aclaración: se llama también delta, pero es un concepto
plear con ellas tests no paramétricos (MIR).
distinto al límite de no inferioridad.
- Porcentaje de pérdidas previsto (d) (MIR).
Recuerda...
No es necesario conocer: nivel de enmascaramiento del Las variables resultado cualitativas nos las plantearán
estudio (MIR), número de pacientes que somos capaces de habitualmente como porcentajes (comparar varios porcentajes),
reunir (MIR), número de centros participantes (MIR). mientras que las variables resultado cuantitativas nos las
Si al finalizar el estudio se obtiene un resultado no significativo, plantearán habitualmente como medias (comparar varias medias).
no se deben añadir pacientes hasta que lo sea, sino revisar la
hipótesis de trabajo y la determinación del tamaño muestral y
realizar un nuevo estudio (MIR). • Si estamos comparando entre sí los resultados obtenidos en
esa variable en varios grupos de individuos (datos inde-
pendientes), o bien en un único grupo de individuos pero
en varios momentos del tiempo (datos apareados).
VARIABLE CUANTITATIVA
VARIABLE
CUALITATIVA 2 GRUPOS O >2 GRUPOS O
2 MOMENTOS DEL t >2 MOMENTOS DEL t
Paramétrico t Student ANOVA

DATOS chi2 (χ2)
INDEPENDIENTES • Corrección de Yates*
No paramétrico
(VARIOS GRUPOS) • Test exacto de Fisher** Mann-Whitney Kruskal-Wallis
V. ordinales
t Student para ANOVA para

Paramétrico
DATOS datos apareados datos apareados
APAREADOS McNemar
(VARIOS MOMENTOS DEL t) No paramétrico
Wilcoxon Friedmann
V. ordinales
*Corrección de Yates: corrección que se aplica al test de chi2 cuando el tamaño muestral es n <200.
**Test exacto de Fisher: cuando en la tabla de contingencia de la chi2 hay menos de cinco individuos en >25% de las casillas [expresado matemáticamente: n · p <5 ó
n · (1-p) <5] no se puede utilizar el test de chi2 y hay que utilizar el test exacto de Fisher.
Tabla 2. Tests de contraste de hipótesis para comparación de variables (MIR 17, 122; MIR 17, 123; MIR 17, 124; MIR 10, 177).
22
Tema 3 · Contraste de hipótesis
Tests para estudios de asociación entre variables y
a = ordenada en el origen
y=a+b·x
En este caso, lo que se pretende es demostrar si los cambios
que se produzcan en una o varias variables (variables
independientes, xi) van a influir sobre el valor que tome
otra variable (variable dependiente, y); además, se pretende b = pendiente
cuantificar dicha influencia. Todas las variables se recogen
de una misma muestra.
Regresión
x
La regresión trata de expresar mediante ecuaciones la aso- 0 1 2 3 4
ciación existente (mostrar mediante una fórmula matemática
cómo varía la variable “y” con cada unidad de aumento de Figura 1. Regresión lineal simple.
las variables “xi”). Además, las ecuaciones obtenidas nos
permitirán predecir el valor que tomará la variable “y” en
un individuo para el que conocemos las variables “xi”. Las Evidentemente, los cambios que ocurran en una muestra de
variables introducidas pueden ser tanto cuantitativas como pacientes en la variable “y” (p. ej., en el colesterol), no se
cualitativas (en cuyo caso habrá que asignar a cada categoría deberán en su totalidad a los cambios apreciados en la variable
un número que nos inventemos). “x” (p. ej., el peso). Sólo un cierto porcentaje de esa variación
se deberá a la variable “x”, y el resto se deberá a otras variables
Por ejemplo: en una muestra de individuos, analizar cuánto
que no estamos estudiando (p. ej., la dieta, la realización o no
aumenta el colesterol (variable y) con cada kg que aumente el
de ejercicio físico, etc.).
peso medio (variable x) en dicha muestra.
Los tests de correlación más utilizados son los empleados
Si existe sólo una variable independiente (xi) en la ecuación se
para evaluar la correlación existente entre dos variables
habla de regresión univariante o simple. Si existen dos o
cuantitativas.
más variables independientes (xi) en la ecuación se habla de
regresión multivariante o múltiple (MIR 16, 194). Si se uti-
• Coeficiente “r” de Pearson (MIR): es un test paramétrico
liza regresión multivariante, todas las variables independientes
que mide el grado de correlación lineal entre las variables (se
incluidas en la ecuación quedan “ajustadas entre sí” de modo
emplea cuando las dos variables siguen una distribución nor-
que el coeficiente que acompaña a cada variable indicará el
mal o bien si n >30). No descarta otros tipos de correlación
efecto que tiene exclusivamente dicha variable sobre la variable
que no sea la lineal.
“y”, eliminando el efecto de cualquier otra variable indepen-
diente introducida en la ecuación: sirve por tanto para evitar • Coeficiente “ρ” de Spearman: es un test no paramétrico (se
sesgos por factor de confusión. emplea cuando alguna de las variables sigue una distribución
El tipo de variable de la variable dependiente (y) define el tipo no normal y además n <30).
de regresión:
El signo del coeficiente de correlación (+/-) indica si la
• Regresión logística: si la variable “y” es cualitativa (MIR 12, 176; correlación es positiva (cuando la variable “x” aumenta, la
MIR). variable “y” aumenta) o si es negativa (cuando la variable “x”
• Regresión lineal (ver figura 1): cuando la variable “y” es aumenta, la variable “y” disminuye).
cuantitativa, la fórmula matemática más empleada es la ecua- El valor absoluto del coeficiente indica, si lo elevamos al
ción de una recta: cuadrado, el porcentaje de los cambios de la variable “y”
que se explican por los cambios de la variable “x” (p. ej., un
coeficiente de 0,8 = 80%, indica que el 64% de los cambios en
y = a + b1 · x1 + b2 · x2 + b3 · x3 + … + bi · xi
la variable “y” se explican por los cambios en la variable “x”):
• Valor absoluto >0,7: correlación fuerte (MIR 14, 192).

El valor de la constante “a” indica el valor que toma la varia-
ble “y” (eje de ordenadas) cuando las variables independien- • Valor absoluto <0,7: correlación débil.
tes valen = 0. Se denomina ordenada en el origen.
• Valor absoluto = 0: ausencia de correlación.
El valor de cada coeficiente “b” expresa cuantitativamente
la asociación entre cada variable “xi” y la variable “y”: indica
cuánto aumenta la variable “y” con cada unidad de aumento
de cada variable “xi” (MIR). Se denomina pendiente. y y
• Regresión de Cox: método de regresión que se utiliza en el

análisis de supervivencia.
Correlación (MIR 15, 186)

La correlación trata de expresar, mediante un coeficiente de
correlación, el porcentaje de los cambios observados en la va-
riable dependiente que se deben a los cambios observados en x x
las variables independientes. Por lo tanto, indicará lo “fuerte”
que es el grado de asociación. Figura 2. Correlación positiva (izquierda) y negativa (derecha).
23
Análisis de supervivencia (MIR 14, 33; MIR) Ejemplo (ver figura 3): imaginemos un estudio que compara
2 grupos de 100 pacientes, que dura 2 unidades de tiempo, y
que tiene un HR de 0.7 (sin pérdidas). Pongamos que observa-
Se utiliza cuando en un estudio epidemiológico la variable mos, por ejemplo, 30 eventos en el grupo control en cada
respuesta es el tiempo que transcurre hasta que sucede un periodo de tiempo. En este caso, en el grupo experimental
evento de interés (la muerte, la aparición de enfermedad, la habría 21 eventos en el periodo de tiempo 1 (un 70% de 30)
curación, el alta hospitalaria…). Así pues, las variables tienen y quedarían 79 pacientes para el periodo de tiempo 2. En dicho
una parte cuantitativa (tiempo que transcurre) y una parte periodo de tiempo habría 24 eventos (en el grupo control hay
cualitativa (aparición o no de un evento). 30 eventos de 70 pacientes que quedan, esto es, un riesgo del
Cuando el tiempo de seguimiento de alguno de los pacientes 42,8%; el riesgo del grupo experimental debe ser el 70% de
del estudio termina antes de que haya tenido lugar el evento ese 42,8%: un 30% sobre 79 pacientes, que son 24 eventos).
de interés se habla de observaciones incompletas o censu- El HR del estudio es 0.7, pero el RR sería igual al cociente de
radas. Si un paciente fallece por una causa distinta a la enfer- incidencias acumuladas: 45 eventos en el grupo experimental /
medad estudiada se considerará como censurado, ya que, en 60 eventos en el grupo control = 0.75. Así, vemos que el HR y
caso contrario, se estaría cometiendo un sesgo de información. el RR son similares, pero no son la misma cosa.
En la representación gráfica de las curvas de supervivencia,
se suele anotar al principio de cada unidad de tiempo los pa-
cientes que siguen en el estudio y todavía no han presentado
el evento de interés (pacientes en riesgo). Para calcular los 100% 21 eventos
pacientes en riesgo al inicio de cada unidad de tiempo, se
deben eliminar tanto los pacientes que han tenido el evento 80% 79%
de interés como los pacientes censurados. 30 eventos
70%
24 eventos
Los métodos estadísticos no paramétricos son los más
60%
frecuentemente utilizados en análisis de supervivencia. Entre 55%
ellos los más destacados son: 30 eventos
40% 40%
• Kaplan-Meier: utilizado para “calcular” las curvas de supervi-

Supervivencia
vencia (MIR 18, 214; MIR 12, 174).

20%
• Test de log-rank: utilizado como test de comparación, es si-
milar al chi2 (comparar los resultados obtenidos entre varias Tiempo
0%
intervenciones). 0 1 2
• Modelo de regresión de Cox: utilizado para realizar regresión. Pacientes en riesgo
100 79 55
100 70 40
Para cuantificar el grado de asociación existente entre un
determinado factor de riesgo o protector y un evento de Grupo experimental
interés estudiado con análisis de supervivencia, la medida Grupo control
epidemiológica utilizada es el hazard ratio o razón de riesgos
(HR). Su interpretación es similar a las del resto de medidas de RR = 45/100 = 0,75
asociación (RR, OR…). 60/100
El HR es el cociente entre el riesgo que tiene de presentar el 21/100 + 24/79
evento de interés un sujeto del grupo experimental respecto a 30/100 30/70
un sujeto del grupo control, por cada unidad de tiempo que HR = = 0,70
2
dura el estudio (MIR 14, 34). Es similar al riesgo relativo (RR),
dado que también es un cociente de riesgos. Sin embargo, Figura 3. Curvas de Kaplan-Meier que representan el ejemplo expuesto en el texto.
mientras el RR compara el riesgo acumulado a lo largo de
todo el estudio (cociente de incidencias acumuladas al finali-
zar el estudio), el HR analiza el riesgo instantáneo para cada
unidad de tiempo (cociente entre la velocidad de progresión
de la enfermedad o “hazard rate” de los grupos comparados).
Así, el HR analiza las probabilidades de presentar el evento en
el siguiente instante de tiempo, para aquellos individuos que
continúen en el estudio al inicio de dicho periodo de tiempo
(pacientes en riesgo); el RR analiza las probabilidades de
presentar el evento a lo largo de todo el estudio.
24
Tema 4
Probabilidades
Autores: Julio Sesma Romero, H. U. G. de Alicante (Alicante). Carlos Corrales Benítez, H. U. Fundación Jiménez Díaz (Madrid). Héctor Manjón Rubio,
H. U. Ramón y Cajal (Madrid).
Enfoque MIR
A B = + -
Tema no preguntado en el MIR desde hace más de 10 años. Por lo
tanto, no lo estudies. Sólo si te sobra tiempo realiza una lectura
comprensiva. p (A U B) = p(A) + p(B) -
U
p(A B)
Figura 1. Unión de probabilidades.

Conceptos
• Probabilidad: medida de la verosimilitud de que un determi- Intersección de probabilidades (∩) (MIR)

nado suceso ocurra o no. Oscila entre 0 (suceso imposible) y
1 (suceso seguro).
Es la probabilidad de que ocurran un suceso y otro simultánea-
• Sucesos complementarios: dos sucesos A y B son comple- mente. Para calcularlo se multiplica la probabilidad de que
mentarios cuando la suma de las probabilidades de ambos es ocurra uno de ellos [p(A)] por la probabilidad de que ocurra el
igual a 1. Siempre que no ocurre un suceso, ocurre el suceso otro en aquellos casos en los que ocurre el primer suceso
contrario: p(A) + p(B) = 1. [probabilidad condicionada = p(B/A)]:
Ejemplo: ser hombre (A) y ser mujer (B).
p(A ∩ B) = p(A) · p(B/A) = p(B) · p(A/B)
• Sucesos incompatibles: se denomina así a los sucesos ex-
cluyentes, es decir, que no pueden suceder a la vez. Dos su-
cesos A y B son incompatibles cuando p(A ∩ B) = 0 Si tenemos dos sucesos independientes: p(B/A) = p(B), y por
Ejemplo: tener el pelo moreno (A) o pelirrojo (B). tanto p(A ∩ B) = p(A) · p(B).
• Sucesos independientes: la probabilidad de que ocurra uno

de ellos no se influye por el hecho de que ocurra o no el otro: Probabilidad condicionada
p(A/B) = p(A); p(B/A) = p(B).
Ejemplo: ganar la quiniela (A) y ganar la lotería (B). Una probabilidad de un suceso A condicionada al suceso B es
la probabilidad de que ocurra el suceso A considerando sólo
los casos en los que ocurre B (es decir, la probabilidad de que
Unión de probabilidades (∪) ocurra A sabiendo que ha ocurrido B).
La fórmula por la cual se puede calcular la probabilidad condi-
Es la probabilidad de que ocurra un suceso u otro. Al calcular cionada p(A/B) a partir de la probabilidad condicionada p(B/A)
la unión de probabilidades se suma la probabilidad de que se denomina teorema de Bayes.
ocurra cada suceso, pero se debe restar una vez la probabilidad
de que ocurran ambos a la vez (ya que al sumar la probabilidad
de que ocurra cada suceso se está contando dos veces a los p(A ∩ B) p(A) · p(B/A)
p(A/B) = =
individuos que presentan los dos sucesos):
p(B) p(B)
p(A ∪ B) = p(A) + p(B) − p(A ∩ B)

A menos que tengamos sucesos independientes, en cuyo caso
las fórmulas se simplifican, no nos van a poder pedir en el
Si tenemos dos sucesos incompatibles: p(A ∩ B) = 0, y por MIR calcular la probabilidad condicionada ni la intersección de
tanto p(A ∪ B) = p(A) + p(B) probabilidades.
Si queremos calcular la probabilidad de que sólo ocurra un
suceso u otro (eliminando por tanto todos los casos en los que
aparezcan los dos sucesos a la vez) debemos restar dos veces
en la fórmula la intersección de probabilidades:
p(sólo A ó B) = p(A) + p(B) − 2 · p(A ∩ B)
25
26
EPIDEMIOLOGÍA
Tema 5
Estudios de validación de una prueba diagnóstica
Autores: Carlos Corrales Benítez, H. U. Fundación Jiménez Díaz (Madrid). Eduardo Franco Díez, H. U. Ramón y Cajal (Madrid). Julio Sesma Romero,
H. U. G. de Alicante (Alicante).
es distinta). El cambio en condiciones que afectan a la validez

Enfoque MIR
externa de una prueba (como la prevalencia de enfermedad,
o la aplicación del test como screening o como diagnóstico de
Tras el tema de Tipos de estudios epidemiológicos (el más impor-
confirmación) afecta al grado de concordancia existente.
tante), el de Estudios de evaluación de una prueba diagnóstica y
Medidas en Epidemiología son el segundo y tercero en importan- Los estudios de concordancia utilizan distintos tests estadísticos
cia, respectivamente. en función de cómo sea la variable resultado que se va a utilizar:
De validación de pruebas diagnósticas suelen hacer 1-3 pregun-
tas en los últimos años. Hacen siempre alguna pregunta teórica • Variable cualitativa dicotómica: estadístico kappa (de
sobre los conceptos de sensibilidad, especificidad, valor predictivo Cohen) (MIR 13, 176). Oscila entre −1 (excesiva discordan-
positivo y valor predictivo negativo. Además, pueden caer proble- cia) y +1 (concordancia completa). Cuando es igual a 0, la
mas para calcular esos conceptos. concordancia obtenida se debe al azar.
Ejemplo: evaluar la concordancia entre dos radiólogos a los
que se les muestran las mismas radiografías de tórax y tienen
Cuando se desea comercializar un nuevo test diagnóstico (p. que indicar si hay SÍ/NO un infiltrado neumónico.
ej., un nuevo modelo de esfingomanómetro), se deben llevar a
cabo estudios de validación mediante los cuales se evaluarán • Variable cualitativa no dicotómica: estadístico kappa pon-
distintas cualidades del test: derado. Es igual que el estadístico kappa, pero tiene en
cuenta el grado de discordancia existente, lo cual es impor-
tante cuando existen varias categorías posibles de la variable
Validez (exactitud) (por eso se usa en variables no dicotómicas).
Cuantas más categorías posibles tenga una variable cua-
Es el grado en el cual una medición representa el verdadero valor litativa, más difícil va a ser que dos observadores distintos
que se desea medir. En los estudios de validación, representaría indiquen exactamente la misma categoría ante una misma
el grado de correlación de las medidas obtenidas mediante el muestra. Por lo tanto, si usamos el estadístico kappa, cuantas
test con las obtenidas mediante el gold standard (MIR). más categorías existan, menos grado de concordancia calcu-
laremos. Es por eso que en variables con varias categorías (no
dicotómicas) se emplea el test de kappa ponderado.
Reproducibilidad (fiabilidad, precisión)
Ejemplo: evaluar la concordancia entre dos cardiólogos que
definen la clase funcional de la NYHA I-II-III-IV de una serie
Es la capacidad del test de obtener el mismo resultado cuando de pacientes. Existirá más concordancia si cuando un cardió-
la medición se repite bajo las mismas condiciones de medida. logo indica clase II el otro indica clase III, que si un cardiólogo
indica clase I y el otro clase IV.
Concordancia • Variable cuantitativa: coeficiente de correlación intraclase
(MIR 11, 175).
Es la capacidad del test de obtener el mismo resultado cuando Ejemplo: evaluar la concordancia entre dos anatomopatólo-
la medición se repite mediante distintas condiciones de gos que cuantifican el número de mitosis en una misma serie
medida (p. ej., cuando la persona encargada de realizar el test de muestras de biopsias de un tumor neuroendocrino.
27
5.1. Parámetros de validez de verdaderos negativos (sanos), pudiendo por tanto descartar
una prueba diagnóstica enfermedad.
La sensibilidad es análoga a la potencia estadística de un
estudio de contraste de hipótesis (MIR).
Para evaluar la validez de una prueba diagnóstica, se realiza un
estudio transversal mediante el cual se comparan los resul-
tados obtenidos por el test (que cataloga a los individuos en Especificidad (E) (MIR 19, 131; MIR)
“+” o “−“) con los resultados obtenidos por el mejor método
diagnóstico que esté disponible, llamado gold standard o Es la capacidad del test de detectar a los sujetos sanos. Es la
patrón oro (que va a catalogar a los individuos del estudio en probabilidad de que un sujeto sano (según el gold standard)
“enfermos” o “sanos”) (MIR). saque “−” en el test. La probabilidad complementaria a la es-
pecificidad (esto es, la probabilidad de que un sujeto sano sa-
Dicho estudio debe realizarse en las condiciones más similares
que “+“ en vez de “−” en el test) es la tasa de falsos
posibles a la práctica clínica habitual. Además, la comparación
positivos (TFP).
debe ser ciega e independiente y abarcar todo el espectro de
la enfermedad (MIR).
E = VN / total de sanos
TFP = FP / total de sanos
GOLD STANDARD E + TFP = 1 → E = 1 – TFP; TFP = 1 – E
ENFERMOS SANOS Un test muy específico es útil en la práctica cuando su resulta-

do es positivo, ya que el test tendrá una TFP muy baja y por lo
VP + FP tanto casi todos los pacientes positivos serán verdaderos positi-
TEST VP FP total de
POSITIVO vos (enfermos), pudiendo por tanto confirmar enfermedad.
positivos
FN + VN Razón o cociente de probabilidad (razón de verosimilitud,

TEST FN VN total de
NEGATIVO likelyhood ratio, índice de eficiencia pronóstica)
negativos
La razón de probabilidad positiva (RPP, RVP) (MIR 16, 205;
VP + FN MIR 13, 196) es el cociente entre la probabilidad de que un
FP + VN enfermo obtenga un resultado positivo (S) y la probabilidad de
total de n
total de sanos que un sano obtenga un resultado positivo (TFP).
enfermos
La razón de probabilidad negativa (RPN, RVN) es el cociente
entre la probabilidad de que un enfermo obtenga un resultado
Tabla 1. Estudio de validación de una prueba diagnóstica (MIR 10, 196).
negativo (TFN) y la probabilidad de que un sano obtenga un
resultado negativo (E).
Parámetros de validez interna
RPP = S / TFP
RPN = TFN / E
La validez interna es la capacidad del test de obtener resulta-
dos exactos (que representen el verdadero valor que se desea
medir) en los sujetos de la muestra que se ha utilizado para La capacidad diagnóstica de un test se puede clasificar en
realizar el estudio. función del valor numérico de la razón de probabilidad
Los parámetros de validez interna son características intrínsecas (MIR 20, 177):
del test que no dependen de la población a la que se aplique
(esto es, no dependen de la prevalencia de enfermedad)
(MIR 16, 206). CAPACIDAD VALOR DE VALOR DE
DIAGNÓSTICA LA RPP LA RPN
Sensibilidad (S) (MIR 15, 235; MIR 12, 194; MIR 11, 189) Suficiente ≥10 ≤0,1
Es la capacidad del test de detectar a los sujetos enfermos. Es
la probabilidad de que un sujeto enfermo (según el gold stan- Moderada 5 - <10 >0,1 - 0,2
dard) saque “+” en el test. La probabilidad complementaria a
la sensibilidad (esto es, la probabilidad de que un sujeto enfer- Escasa 2 - <5 >0,2 - 0,5
mo saque “−“ en vez de “+” en el test) es la tasa de falsos
negativos (TFN) (MIR 13, 198). Insignificante 1 - <2 >0,5 - 1
S = VP / total de enfermos Tabla 2. Capacidad diagnóstica de un test en función de la RPP y la RPN.

TFN = FN / total de enfermos
S + TFN = 1 → S = 1 – TFN; TFN = 1 – S
Parámetros de validez externa
Así, un test muy sensible es útil en la práctica cuando su

La validez externa es la capacidad del test de generalizar los
resultado es negativo (MIR), ya que el test tendrá una TFN
resultados obtenidos en la muestra a la población diana de
muy baja y por lo tanto casi todos los pacientes negativos serán
la que se obtuvo la muestra. La validez interna es un requisito
28
Tema 5 · Estudios de validación de una prueba diagnóstica
previo para la validez externa (MIR) (si los resultados no son

Recuerda...
válidos para la muestra de sujetos, tampoco lo podrán ser para
la población diana). Los valores predictivos de un test dependen de la prevalencia de
enfermedad, mientras que la S y E no dependen de la prevalencia.
Valor predictivo positivo (VPP) Si una prueba diagnóstica tiene un VPP 100% y un VPN
(MIR 19, 129; MIR 15, 195; MIR 12, 192; MIR 11, 190) 100%, significará que todos los individuos que den positivo
Capacidad del test de predecir si un sujeto que ha sacado po- en el test estarán enfermos, y que por el contrario todos los
sitivo en el test va a estar realmente enfermo. Es la probabilidad individuos que den negativo estarán sanos: por tanto, se
de que un sujeto “+” (según el test) sea enfermo según el gold tratará de una prueba patognonómica (MIR 17, 129).
standard.
5.2. Curvas ROC (de rendimiento diagnóstico)

VPP = VP / total de positivos (MIR)
Valor predictivo negativo (VPN) (MIR) Cuando se define enfermedad o salud utilizando una variable
cuantitativa continua, se debe definir un punto de corte a
Capacidad del test de predecir si un sujeto que ha sacado ne- partir del cual consideramos que un sujeto es “positivo” y por
gativo en el test va a estar realmente sano. Es la probabilidad tanto predecimos que estará enfermo.
de que un sujeto “−“ (según el test) sea sano según el gold
Ejemplo: se considera diabético a un individuo que tenga ≥ 126
standard.
mg/dl de glucemia en ayunas en al menos dos determinaciones
separadas en el tiempo.
VPN = VN / total de negativos En las variables cuantitativas, a medida que llevamos el punto
de corte que define enfermedad a niveles más “enfermos”,
seremos más específicos pero menos sensibles (MIR 14, 206;
Valor global (VG) MIR 12, 193). Por el contrario, si llevamos el punto de corte a
niveles más “sanos”, seremos más sensibles y menos específi-
Es la proporción de resultados verdaderos (verdaderos positivos cos. Así, podemos afirmar que para las variables cuantitativas
y verdaderos negativos) del total de resultados de un test. la S y la E son inversamente proporcionales: al aumentar la S
Indica, por tanto, el porcentaje de veces que el test “acierta” disminuye la E, y viceversa.
en sus predicciones.
Punto de corte más “Enfermo” → ↑ E y ↓ S

VG = (VP + VN) / n
Punto de corte más “Sano” → ↑ S y ↓ E
Los parámetros de validez externa de un test diagnóstico

dependen de la probabilidad pre-test de enfermedad de la Ejemplo: si en lugar de utilizar un nivel de glucemia de 126 mg/
población donde se aplique (MIR 15, 131). La probabilidad dl para definir diabetes, llevamos el punto de corte a un nivel
pre-test es la probabilidad que tiene un sujeto de tener una más “enfermo” (p. ej., a 150 mg/dl), el nuevo punto de corte
enfermedad antes de que se le realice un test diagnóstico. será más específico (habrá menos número de FP, ya que casi
Depende de las características clínicas del sujeto (cuantos todos los pacientes con glucemia >150 mg/dl serán de verdad
más síntomas y signos de la enfermedad, mayor probabilidad diabéticos –VP–) pero menos sensible (habrá más número de
pre-test) y, fundamentalmente, es directamente proporcional a FN, ya que muchos pacientes diabéticos tienen glucemias me-
la prevalencia de enfermedad en la población (MIR 13, 195; nores a 150 mg/dl y no vamos a ser capaces de diagnosticar-
MIR 10, 195). los).
Así, si la prevalencia de una enfermedad es muy alta y un suje-
to sale positivo en el test, será más probable que de verdad
esté enfermo que si la prevalencia es muy baja. Por el contrario, 100
si la prevalencia de enfermedad es baja y un sujeto sale nega-
tivo en el test, será más probable que esté de verdad sano
(MIR 12, 191; MIR 11, 191):
Punto de corte óptimo
↑ prevalencia → ↑ VPP, ↓ VPN

↓ prevalencia → ↓ VPP, ↑ VPN S
Antes hemos indicado que los tests muy sensibles son útiles
cuando su resultado es negativo (descartan enfermedad), y los
tests muy específicos cuando su resultado es positivo (confir-
man enfermedad). Esto es así por la relación entre la S y E con
los valores predictivos de un test:
0 100
1-E
↑ S → ↓ TFN → ↑ VPN
↑ E → ↓ TFP → ↑ VPP Figura 1. Curva ROC.
29
Las curvas ROC muestran el nivel de S y de E que obtenemos Así, no todas las enfermedades son susceptibles de screening,
con cada posible punto de corte de la variable cuantitativa, sino que se deben cumplir una serie de requisitos para que éste
lo que nos permite escoger el mejor punto de corte (aquel se pueda instaurar:
con una mejor relación entre sensibilidad y especificidad).
Gráficamente se representan poniendo la S en el eje de orde-
Criterios de la enfermedad
nadas, y la TFP (1 – E) en el eje de abscisas. El mejor punto de
corte es aquel que corta la bisectriz de la curva ROC.
• Enfermedad frecuente en la población estudiada.
El área bajo la curva de las curvas ROC representa el grado
de validez global del test (MIR). Cuando comparamos varios • Enfermedad grave que no debe pasar desapercibida (si no se
tests diagnósticos, será mejor aquel cuya área bajo la curva diagnostica a tiempo empeora el pronóstico).
ROC sea mayor (el vértice de la curva estará situado más cerca
• La fase presintomática no debe ser corta (MIR).
del ángulo superior izquierdo).
• Se debe conocer la historia natural de la enfermedad.
• La enfermedad debe tener un tratamiento más eficaz si se
Mejor aplica en fase presintomática que si se aplica en fase sinto-
100
Peor mática.
Criterios del test
• Fácil de realizar.
S
• Inocuo.
• De coste razonable (pero no tiene por qué ser menos costoso
que tratar un caso de la enfermedad) (MIR).
• Buenos valores de validez (primando la S sobre la E) y repro-
ducibilidad.
• Aceptable y visto como necesario por la comunidad.
0 100
1-E
Test de confirmación
Figura 2. Comparación de la validez global de varios tests mediante sus curvas ROC.
Los tests que se utilizan para confirmar la presencia de

5.3. Test de screening y test de confirmación enfermedad deben ser muy específicos (MIR 14, 207) (para
que los sujetos positivos tengan muchas probabilidades de ser
realmente enfermos).
Test de screening (MIR 13, 197) Las principales circunstancias en las que es importante utilizar
tests de confirmación para diagnosticar de forma definitiva una
En muchas ocasiones, el proceso diagnóstico de una enfer- enfermedad son:
medad se inicia realizando un test de screening (o cribado • Enfermedades graves pero sin tratamiento eficaz.
poblacional). El objetivo de un test de screening es doble:
detectar casos precoces (presintomáticos) de enfermedad, y • Los falsos positivos pueden suponer un trauma emocional
de manera más importante descartar a los sujetos sanos (que (MIR).
sacan negativo en el test). Por tanto, los tests de screening
• Tratar los falsos positivos puede tener graves consecuencias.
deben ser muy sensibles (MIR 18, 222; MIR); los pacientes
que den negativo en el test sabremos que están sanos, y a • Enfermedades de prevalencia muy baja (MIR).
los pacientes que den positivo se aplicará luego un test más
específico para confirmar la enfermedad.
La característica más importante de los tests de screening
es que deben tener un alto VPP en la población donde se
apliquen (MIR). Si un test de screening se aplica en una
población de muy baja prevalencia de enfermedad, la mayoría
de sujetos que den positivo en el test serán realmente FP; nos
veremos obligados a realizar en balde muchos tests diagnós-
ticos de confirmación, lo cual supondrá un coste económico
inasumible.
30
Tema 6
Medidas en epidemiología
Autores: Eduardo Franco Díez, H. U. Ramón y Cajal (Madrid). Héctor Manjón Rubio, H. U. Ramón y Cajal (Madrid). Elena Masana Flores, H. U. Virgen
de las Nieves (Granada).
Indica la probabilidad que tiene un sujeto sano de enfer-

Enfoque MIR
mar a lo largo del periodo de tiempo que se haya tenido en
cuenta para el cálculo de la incidencia (riesgo individual de
Tercer tema en importancia del manual, junto al de contraste de
enfermar) (MIR).
hipótesis. Casi todos los años caen preguntas en las que piden
interpretar el intervalo de confianza de una medida de asociación Para calcularla son necesarios estudios longitudinales pros-
(habitualmente del RR) o de impacto. Además, los conceptos teóri- pectivos, ya que necesitamos un periodo de seguimiento que
cos también son preguntados, y pueden caer problemas. vaya hacia el futuro para cuantificar los casos nuevos que van
apareciendo.
6.1. Medidas de frecuencia de una enfermedad Densidad de incidencia (DI)

(MIR 20, 37; MIR 14, 196; MIR 10, 194)
Prevalencia (MIR)
Es la velocidad con la que se propaga una enfermedad en una
Es la proporción de individuos de una población que padecen población, e indica el número de casos nuevos que aparecen
una determinada enfermedad en un momento dado (MIR). por unidad de tiempo. El tiempo que se utiliza como unidad
de medida es la suma del tiempo que ha estado expuesto a la
Es muy útil para valorar la extensión de enfermedades enfermedad cada individuo hasta que la contrae: suma de los
crónicas. Sin embargo, como sólo se evalúa un momento tiempos de observación.
concreto y no un periodo de tiempo, no es útil para el estudio
enfermedades agudas (las enfermedades agudas aparecen y En el momento que un individuo enferma, si ya no puede
desaparecen, de modo que al estudiar un momento del tiempo volver a enfermar finaliza su tiempo de observación. Si un indi-
concreto es probable no encontrar la enfermedad). viduo no enferma a lo largo de todo el periodo de seguimiento,
su tiempo de observación será lo que dure dicho periodo.
Si se desea estimar la prevalencia de una enfermedad, lo más
eficiente es diseñar para ello un estudio transversal. Sin Para calcularla también son necesarios estudios longitudina-
embargo, en los estudios longitudinales se podría también les prospectivos.
determinar la prevalencia en cualquier momento dado.
La prevalencia de una enfermedad aumenta en las siguien- n.º de casos en un momento puntual
tes circunstancias: Prevalencia =
población
• Aumento de la incidencia de la enfermedad (aumento de
casos nuevos). n.º de casos nuevos a lo largo
de un periodo de tiempo
• Aumento de duración de la enfermedad (si disminuye su mor- IA =
talidad). población susceptible de enfermar
• Descenso de la tasa de curación de la enfermedad. al inicio del periodo
• Mejora de los métodos diagnósticos de una enfermedad (se n.º de casos nuevos a lo largo
descubrirán más casos). de un periodo de tiempo
DI =
• Inmigración de casos enfermos o emigración de sujetos ∑ t de observación de cada individuo
sanos. susceptible de enfermar
Incidencia (incidencia acumulada) (IA) Tabla 1. Medidas de frecuencia de una enfermedad.
Es la proporción de casos nuevos de una enfermedad que 6.2. Medidas de fuerza de asociación
aparecen en una población en un determinado periodo de
tiempo, con respecto al total de la población que es suscep- (medidas de efecto)
tible de enfermar (MIR 20, 31; MIR). Por ejemplo, si se desea
medir la incidencia de una enfermedad crónica, habrá que Todas ellas son razones que se calculan mediante el cociente
calcular la proporción de casos nuevos respecto de los sujetos entre el riesgo que presentan los sujetos expuestos a un deter-
que no tengan dicha enfermedad (los que ya la tienen no son minado factor (de riesgo o protector), y el riesgo que presentan
susceptibles de volver a enfermar). los no expuestos.
31
Así, miden cuántas veces es más frecuente la enfermedad en totalmente por debajo de 1,2 (MIR 11, 187) (menos de un
el grupo expuesto respecto al no expuesto (MIR). Miden pues 20% de riesgo adicional respecto al fármaco control), si el
la “fuerza de asociación” entre un factor causal y su efecto límite de no inferioridad (delta) se establece en el 20%.
(MIR).
Su resultado oscila entre 0 e infinito (rango) (MIR 20, 34), y no Diseño de equivalencia terapéutica
tienen unidades (MIR):
Para poder establecer que dos tratamientos son equivalentes
• Si el resultado es <1: el factor estudiado es un factor protector. terapéuticos entre sí, el IC de cualquiera respecto al otro
debe encontrarse delimitado entre 0,8 y 1,2 (MIR) (si hemos
• Si el resultado es >1: el factor estudiado es un factor de establecido unos límites del 20%)
riesgo.
Según qué medida de frecuencia de la enfermedad (del
• Si el resultado es = 1: no existe relación causal entre el factor “riesgo” de enfermar) estemos utilizando, usaremos una u
y la enfermedad (no es factor de riesgo ni de protección). otra medida de asociación:
Cuando se extrapola el resultado obtenido a una población a Riesgo relativo (RR)

partir de una muestra (estadística inferencial), el intervalo de
confianza (IC) obtenido informa sobre la significación estadísti-
ca del resultado. El valor de la medida de asociación no tiene Es la medida que se utiliza cuando disponemos de incidencias
por qué estar en el centro del IC (MIR 11, 174), ya que puede acumuladas. Como requiere del cálculo de incidencias, sólo
que existan más probabilidades de que el riesgo sea mayor o se podrá calcular en estudios que presenten un seguimiento
menor que ese valor que hemos obtenido, que viceversa. prospectivo: estudio de cohortes, ensayo clínico, etc. Es la
medida de efecto que mejor estima el riesgo real.
A favor del A favor del Odds ratio o razón de desventaja (OR)

tratamiento tratamiento
experimental control
Es la medida que se utiliza en los estudios con un seguimiento
retrospectivo (estudio de casos y controles), en los cuales
Tratamiento experimental
Estudios de superior nopodemos calcular incidencias, sino las prevalencias del
superioridad
factor de riesgo en el grupo enfermo y en el grupo sano.
Es peor estimador del riesgo real que el riesgo relativo y tiende
a sobreestimar la fuerza de asociación. Para que su valor
Estudios de Tratamientos
equivalencia estime bien el RR, los controles y los casos deben provenir de la
equivalentes misma población, y la incidencia de la enfermedad debe ser
terapéutica
<10% (esto es, en enfermedades poco frecuentes, se aproxima
bastante al RR) (MIR).
Estudios de Tratamiento experimental
no inferioridad no inferior
Razón de prevalencia o de proporciones (RP)
RR 0,8 1 1,2
Es la medida que se utiliza en los estudios sin seguimiento
Figura 1. Interpretación del IC de las medidas de fuerza de asociación. (estudios transversales, etc.), en los cuales lo único que pode-
mos calcular es la prevalencia en un momento puntual de la
enfermedad en el grupo de expuestos y en el de sanos.
Diseño de superioridad Su cálculo matemático es idéntico al del RR, pero es el peor
(MIR 15, 199; MIR 14, 205; MIR 12, 175; MIR 12, 182) estimador del riesgo real por el diseño de los estudios a
partir de los que se calcula (que no tienen seguimiento, por lo
• Si el IC incluye el 1, no es estadísticamente significativo. que nunca pueden demostrar causalidad).
• Si el IC no incluye el 1, es estadísticamente significativo.
(Ver tabla 2 en la página siguiente)
En el caso de que el riesgo del grupo expuesto y no expuesto
fuera el mismo, el cociente entre esos riesgos sería = 1, así que
6.3. Criterios de causalidad de Bradford Hill
si el “1” está incluido en el intervalo de confianza, significará
que existen probabilidades de que el factor estudiado sea
tanto un factor protector (“parte” del intervalo de confianza El hecho de que exista una determinada fuerza de asociación
que sea <1) como un factor de riesgo (“parte” del intervalo de entre un factor y una enfermedad NO implica necesariamente
confianza que sea >1). El 1 es el “valor de no significación”. que dicho factor sea un factor causal de dicha enfermedad.
Para que se establezca una relación de causalidad se deben
Diseño de no inferioridad cumplir varios de los siguientes criterios (no hace falta que se
cumplan todos):
Para poder establecer que una intervención es no inferior a
otra, el IC para la intervención experimental debe encontrarse
32
Tema 6 · Medidas en epidemiología
ENFERMOS SANOS
FACTOR a b
PRESENTE
FACTOR c d
AUSENTE
IA expuestos (Ie) a / (a + b)
RR = =
IA en no expuestos (Io) c / (c + d)
prevalencia del factor en enfermos a / (a + c)
“Odds” del grupo enfermo prevalencia de no tener factor en enfermos c / (a + c) a·d

OR = = = =
“Odds” del grupo sano prevalencia del factor en sanos b / (b + d) b·c
prevalencia de no tener factor en sanos d / (b + d)
prevalencia de enfermedad en expuestos a / (a+b)

RP = =
prevalencia de enfermedad en noexpuestos c / (c+d)
Tabla 2. Medidas de fuerza de asociación (MIR 15, 181; MIR 15, 189; MIR 13, 181).
• Efecto dosis-respuesta (gradiente biológico): a mayor

dosis o tiempo de exposición al factor causal, mayor es el
riesgo de enfermar.
Criterios de coherencia científica
• Consistencia: los resultados de un estudio que sugiera cau-

salidad deben ser reproducibles por otros investigadores y
arrojar resultados similares.
• Coherencia: los resultados de los estudios que traten de es-
tablecer la relación causal entre un factor y un efecto deben
ser similares entre sí.
• Plausibilidad biológica: existencia de un mecanismo fisio-
patológico conocido que explique la posible relación causal.
• Especificidad de asociación: si la posible causa conduce a
un único efecto, y viceversa, el efecto sólo parece estar cau-
sado por un único factor, la verosimilitud de la relación causal
aumenta.
• Analogía: factores causales similares al estudiado producen
efectos similares.
• Demostración experimental: existencia de asociación entre
Figura 2. Sir Austin Bradford Hill (1897-1991).
el factor y el efecto en estudios experimentales. Es el criterio
de causalidad más potente.
Criterios de validez interna
No son criterios de causalidad (MIR)
• Secuencia temporal: la causa debe preceder al efecto. Es el
único criterio de causalidad imprescindible (MIR 20, 32; MIR).
• La existencia de asociación estadísticamente significativa (p
• Fuerza de asociación (MIR): a mayor magnitud de la me- <0,05).
dida de fuerza de asociación, mayor es la probabilidad de que
• La respuesta a un tratamiento concreto.
exista una relación causal.
33
6.4. Medidas de impacto Número necesario de pacientes a tratar (NNT) (MIR 19, 119;
MIR 17, 118; MIR 16, 191; MIR 13, 182; MIR 11, 184)
Cuantifican cuál es el impacto de una medida preventiva al Es el número de pacientes que se debe tratar con un factor
aplicarla en una población (al suprimir un determinado factor protector para prevenir un evento. Se obtiene a partir del inver-
de riesgo, o al implementar un determinado factor protector). so de la RAR:
Utilizan incidencias acumuladas, por lo que se calculan
sólo en estudios con seguimiento prospectivo (estudio de NNT = 100 / RAR (expresando el RAR en %)
cohortes, ensayos clínicos, etc.).
En el cálculo de todas ellas existe una resta entre la incidencia
en expuestos y no expuestos. Por tanto, el “valor de no Se debe redondear al entero superior. Al igual que para el resto
significación” (aquel que indica que el riesgo en expuestos y de medidas de impacto, el “0” contenido en el intervalo de
no expuestos es el mismo), es el “0”. En estadística inferencial, confianza indica no significación estadística.
y para los estudios de superioridad (MIR): Al igual que podemos calcular el número de pacientes que hay
que tratar con un factor protector para prevenir un evento,
• Si el IC incluye el 0, no es estadísticamente significativo. usando para ello la RAR, también podemos calcular el número
de pacientes que hay que “dañar” con un factor de riesgo para
• Si el IC no incluye el 0, es estadísticamente significativo.
provocar un caso de enfermedad (NNH: número necesario de
pacientes a dañar) (MIR 15, 198), usando para ello el RA:
Medidas de impacto absolutas
NNH = 100 / RA (expresando el RA en %)
Indican el beneficio absoluto (número de casos evitados por
cada 100 personas en riesgo) que se obtiene al retirar un factor
de riesgo o implementar un factor protector totalmente en
Medidas de impacto relativas
una muestra o población en riesgo. Por lo tanto, son medidas
útiles en Salud Pública (al permitirnos calcular, si conocemos
el tamaño de una población, el número total de casos que Indican el beneficio relativo (porcentaje de casos evitados del
evitaríamos en ella). total de casos que padece una población en riesgo) que se
obtiene al retirar un factor de riesgo o implementar un factor
protector en una población en riesgo. Por lo tanto, son medi-
Riesgo atribuible, exceso de riesgo o diferencia de
das útiles en Epidemiología Clínica (al sernos un indicador
incidencias (RA, ER) (MIR 17, 134; MIR 15, 181)
del porcentaje de riesgo de enfermar que evitamos en cada
Medida de impacto absoluta utilizada para factores de ries- sujeto en riesgo).
go. Indica el exceso de riesgo asociado a la exposición, y que
podría evitarse si se eliminara ésta (número de casos evitados
por cada 100 pacientes con el factor de riesgo a los que les Fracción atribuible o fracción etiológica de riesgo (FA, FER)
quitas dicho factor). Medida de impacto relativa utilizada para factores de riesgo.
Es la proporción de casos nuevos entre los expuestos que es
RA = Ie − Io atribuible a la exposición.
FA = (Ie − Io) / Ie
Ejemplo: RA = 6% significa que por cada 100 expuestos hay
seis casos más de enfermedad que por cada 100 no expuestos.
Si elimináramos el factor de riesgo en un grupo de expuestos, Ejemplo: FA = 40% significa que de cada 100 casos de
evitaríamos por cada 100 expuestos esos seis casos de más. enfermedad que aparecen en un grupo de expuestos, 40 se
deben a esa exposición (60 se deberán a otras causas). Así, si
un individuo expuesto elimina su factor de riesgo (p. ej., deja
Reducción absoluta de riesgo (RAR)
de fumar) su riesgo de enfermar disminuirá un 40%.
(MIR 14, 195; MIR 11, 186)
Medida de impacto absoluta utilizada para factores de pro-
tección. Indica la reducción en la incidencia de enfermedad Reducción relativa de riesgo (RRR) (MIR)
que conseguiríamos al implementar un factor protector en un Medida de impacto relativa utilizada para factores de protec-
grupo en riesgo (número de casos evitados por cada 100 pa- ción. Es la proporción de casos nuevos, entre los sujetos que
cientes no protegidos, a los que se les proporciona el factor no tienen el factor protector, que es atribuible a la ausencia de
protector). la protección que dicho factor confiere.
RAR = Io – Ie RRR = (Io − Ie) / Io = 1 − RR
Ejemplo: RAR = 5% significa que por cada 100 personas no Ejemplo: RRR = 35% significa que de cada 100 casos de enfer-
protegidas hay cinco casos más de enfermedad que por cada medad que aparecen en un grupo sin el factor protector (p. ej.,
100 personas con el factor de protección. Si a las personas no vacunados), 35 se deben a no tener el factor protector. Así,
no protegidas les proporcionáramos el factor de protección, si un individuo adquiere el factor protector (p. ej., se vacuna)
evitaríamos esos cinco casos que tienen de más. su riesgo de enfermar disminuirá un 35%.
34
Tema 7
Tipos de estudios epidemiológicos
Autores: Héctor Manjón Rubio, H. U. Ramón y Cajal (Madrid). Eduardo Franco Díez, H. U. Ramón y Cajal (Madrid). Elena Masana Flores, H. U. Virgen
de las Nieves (Granada).
• Con seguimiento (estudios longitudinales):

Enfoque MIR
- Retrospectivo: estudio de casos y controles.
Tema más importante de la asignatura y del MIR en general.
- Prospectivo: estudio de cohortes; estudio de tendencias
Siempre caen varias preguntas teóricas para elegir de qué tipo de
temporales.
estudio epidemiológico se trata el enunciado (la pregunta más fre-
cuente), sobre las diferencias entre el estudio de casos y controles y
el estudio de cohortes, y sobre el ensayo clínico. El ensayo clínico y Comunicación de un caso/serie de casos
los apartados sobre la metodología de los estudios experimentales
son temas sobre los que casi siempre cae alguna pregunta nove-
dosa, pero que habitualmente suele poderse sacar por descarte. Son estudios que describen las características o el manejo
En los últimos años está ganando cada vez más importancia el clínico realizado en un paciente o grupo de pacientes con un
metanálisis. diagnóstico similar.
Generan nuevas hipótesis de trabajo, pero no permiten
confirmar hipótesis ya que carecen de un grupo control
En función de sus objetivos, existen dos grandes grupos de (principal limitación).
estudios epidemiológicos:
• Estudios descriptivos (MIR 18, 213): su objetivo es descri- Estudio transversal (estudio de prevalencia,
bir la naturaleza y magnitud de un problema de salud, entre estudio de corte) (MIR 17, 131; MIR 16, 193; MIR 13, 178)
quiénes y dónde se produce y otras características similares.
Se consideran descriptivos los siguientes estudios epidemio- Es un estudio observacional de base individual (la unidad
lógicos: del estudio es el individuo) que no presenta seguimiento
de los pacientes, esto es, que sólo estudia las características
- Comunicación de un caso/serie de casos: siempre des- que tienen los pacientes en el presente: trata de describir o
criptivos. estudiar relaciones causales entre exposiciones y problemas de
- Estudio transversal y estudio ecológico: pueden ser tam- salud presentes en un momento puntual.
bién analíticos, pero en dicho caso no pueden demostrar Utiliza como medida de fuerza de asociación la razón de
hipótesis. prevalencias.
• Estudios analíticos: su objetivo es establecer la relación
entre una determinada exposición y la aparición de un deter- Ventajas
minado problema de salud.
Se consideran analíticos los siguientes estudios epidemiológicos: • Rápido, barato y reproducible, al prescindir del seguimiento
de los pacientes.
- Casos y controles.
• Tipo de diseño adecuado para evaluar la validez de una
- Cohortes (MIR 10, 185). prueba diagnóstica.
- Estudios experimentales. • Tipo de diseño más eficiente para estimar la prevalencia
- Estudios cuasi-experimentales. de una enfermedad (MIR 10, 182; MIR) (cualquier estudio
puede medir en un momento puntual la prevalencia de en-
fermedad, pero el estudio transversal es el más barato).
7.1. Estudios observacionales (MIR 15, 197) • Útil para el estudio de enfermedades crónicas.
• Útil para planificación sanitaria (Salud Pública), ya que
Se distinguen de los estudios experimentales en la ausencia permite de forma barata el estudio de enfermedades cróni-
de intervención por parte del investigador, que se limita a cas, que son las que más recursos sanitarios consumen.
observar lo que ocurre en la práctica clínica habitual (MIR).
Existen distintos estudios observacionales que se diferencian
por el tipo de seguimiento realizado a los pacientes. Inconvenientes
• Sin seguimiento (estudios transversales): estudio trans- • Muy sensible a los sesgos.
versal y estudio ecológico. • No permite valorar la secuencia temporal (ya que estudia
la presencia de la exposición y la enfermedad en el mismo
35
momento). Por lo tanto, no permite demostrar hipótesis Estudio de casos y controles anidado en una cohorte
etiológicas (causalidad), sino que sólo las genera (MIR). (MIR 19, 120; MIR 17, 132; MIR 13, 184; MIR 11, 180)
• No es útil para el estudio de enfermedades agudas (ya que no Es un caso particular del estudio de casos y controles que se
permite medir incidencias por no tener seguimiento) ni raras. utiliza cuando en el momento actual no existe un número
de casos suficiente para realizar el estudio. Esto suele ocurrir
cuando se estudian enfermedades agudas y epidémicas, en las
Estudio ecológico (estudio de riesgo agregado) que los casos van apareciendo poco a poco a lo largo de un
(MIR 16, 192; MIR 13, 183; MIR 11, 181) periodo de tiempo.
Este estudio consiste en realizar un seguimiento prospectivo
Es un estudio idéntico al estudio transversal, con la única de una cohorte de sujetos (de la población diana de nuestro
diferencia de tener una base comunitaria en lugar de tener estudio), e ir seleccionando los casos a medida que aparecen
una base individual. hasta alcanzar el tamaño muestral deseado. Cada vez que
Por lo tanto, es útil para generar hipótesis de trabajo pero no aparece un caso, se seleccionan de manera aleatoria entre los
las demuestra (MIR). sujetos sanos de la cohorte el número de controles que se haya
previsto para cada caso, y en ese momento se recogen los
Características de una base comunitaria:
datos de forma retrospectiva (se pregunta al caso y a los
controles por su pasado).
• Utiliza datos recogidos de grupos de personas (en lugar
de individuos), formados en general por criterios geográficos Así, sus características son idénticas a las del estudio de
(países, comunidades autónomas, ciudades...). casos y controles convencional, y sólo se diferencia en que los
pacientes se reclutan poco a poco en lugar de todos a la vez.
• Para recopilar los datos, se acude a registros, que son quie- Los estudios de casos y controles realizados utilizando los
nes proporcionan los datos (esto es, otra persona ha recogido datos de los registros poblacionales de enfermedades suelen
los datos individuales previamente y ha extrapolado los datos considerarse anidados, dado que los registros poblacionales
poblacionales, que son los que utilizaremos). suelen elaborarse de forma prospectiva (MIR 14, 199).
• Utilizan datos indirectos o secundarios (MIR) (recogidos
por otras personas). Los datos indirectos son de peor calidad
(más riesgo de sesgos) que los directos ya que no podemos Estudio de cohortes
controlar los criterios o instrumentos de medida utilizados por (MIR 20, 30; MIR 19, 121; MIR 18, 212; MIR 15, 182;
la persona que los recogió. MIR 13, 179; MIR 12, 179; MIR 11, 179; MIR 10, 180)
• Los datos que recogemos son los promedios (se habla de

promedios en lugar de medias o de porcentajes) de la carac- Es un estudio observacional de base individual y con segui-
terística estudiada en cada uno de los grupos de personas miento prospectivo (desde el presente hacia el futuro). Dicho
estudiado. seguimiento es real, y consiste en ver al paciente hoy y volverle
a ver en sucesivas ocasiones en el futuro hasta que finalice el
periodo de seguimiento. Es el mejor estudio observacional
Estudio de casos y controles para demostrar hipótesis.
(MIR 18, 224; MIR 15, 183; MIR 14, 201; MIR 12, 180;
En un estudio de cohortes se sigue prospectivamente a dos
MIR 12, 183; MIR 12, 184; MIR 10, 183)
grupos de individuos sanos con respecto al problema de
salud que se quiere analizar: un grupo que está expuesto a un
Es un estudio observacional de base individual y con segui- factor de riesgo o protector, y un grupo no expuesto (MIR).
miento retrospectivo (desde el presente hacia el pasado). Se analiza la incidencia de enfermedad que aparece en cada
Dicho seguimiento no es un seguimiento real que implique ver uno de esos dos grupos a lo largo del periodo de seguimiento
a los pacientes varias veces (un estudio de casos y controles (MIR).
sólo requiere ver a cada paciente una única vez), sino que es
un seguimiento “virtual” que se realiza utilizando la memoria • Utiliza como medida de fuerza de asociación el RR.
del paciente para que nos cuente datos de su pasado.
• Sus ventajas e inconvenientes están recogidos en la tabla 1
El seguimiento retrospectivo, por lo tanto, está sujeto a las (ver en la página siguiente).
limitaciones de la memoria humana y es peor (más sujeto a
sesgos) que el seguimiento prospectivo.
Estudio de cohortes históricas (cohortes retrospectivo)
En un estudio de casos y controles se selecciona un grupo de
(MIR 18, 211; MIR 13, 186)
sujetos enfermos (casos) y un grupo de sujetos sanos (con-
troles) respecto al problema de salud que se quiere analizar, y Es un estudio de cohortes en el que el seguimiento de los
se evalúa la proporción de sujetos de cada uno de los grupos pacientes se realiza desde el pasado hacia el presente, en
que estaba expuesta en el pasado a un supuesto factor de lugar de hacerlo desde el presente hacia el futuro. Fijaos que la
riesgo o protector. Pueden escogerse varios controles para dirección del seguimiento sigue siendo prospectiva.
cada caso (MIR). El nombre “estudio de cohortes retrospectivo” es por lo tanto
Para evitar sesgos de memoria es importante ser igual de ex- desafortunado ya que el seguimiento no es retrospectivo si-
haustivo en la anamnesis de los casos y de los controles (MIR). no prospectivo. Es mejor utilizar el término estudio de cohortes
históricas, aunque los dos términos son correctos.
• Utiliza como medida de fuerza de asociación la odds ratio, El seguimiento se realiza de modo indirecto a través de la
que sobreestima el riesgo con respecto al RR salvo en el historia clínica del paciente, comenzando por la primera página
estudio de enfermedades raras. (pasado) y acabando en la última (presente).
• Sus ventajas e inconvenientes están recogidos en la tabla 1.
36
Tema 7 · Tipos de estudios epidemiológicos
Sus características son idénticas a las del estudio de cohortes

CASOS Y CONTROLES COHORTES
convencional, excepto en los siguientes aspectos:
Seguimiento retrospectivo Seguimiento prospectivo
• Ventaja: al no requerir de un seguimiento real de pacientes,
es más barato, rápido y reproducible.
Calculan prevalencias Calculan incidencias
de exposición de enfermedad • Inconveniente: utiliza datos indirectos (recogidos en la his-
toria por terceras personas), por lo que es más sensible a los
OR: sobreestima la fuerza sesgos.
RR: mejor estimador
de asociación, salvo en
de la asociación (Ver figura 1)
enfermedades raras
Caros, lentos, Estudio de series o tendencias temporales

Baratos, rápidos, reproducibles
poco reproducibles
Peores para Mejores para Se puede definir como un estudio de cohortes pero que tiene
demostrar hipótesis demostrar hipótesis una base comunitaria (aplicándose por tanto las característi-
cas de la base comunitaria). Así, es también similar al estudio
Más sensible a sesgos (MIR) Menos sensible a sesgos ecológico, pero con un seguimiento prospectivo.
Son grandes registros con seguimientos prospectivos largos en
Útiles para estudiar los que se trata de establecer cómo evoluciona un problema de
enfermedades raras o con Útiles para estudiar salud en una o varias poblaciones a lo largo del tiempo (MIR).
largo periodo de latencia exposiciones raras y para
En el MIR nos lo suelen mostrar relacionado a la evolución
(MIR 17, 120; enfermedades agudas
temporal de problemas medioambientales más que de en-
MIR 17, 133; MIR 11, 182)
fermedades. Ejemplos: evolución temporal de los niveles de
contaminación de un río o de un mar.
Permiten estudiar multi- Permiten estudiar multi-
causalidad (varias causas efectividad (varios efectos
de una enfermedad) de la misma exposición) 7.2. Estudios experimentales
Dificultad: Dificultad:
establecer el grupo control* sensible a pérdidas** Se distinguen de los estudios observacionales en la presencia
de intervención por parte del investigador (MIR 14, 193):
el investigador introduce de forma directa una nueva medida
*La principal dificultad de los estudios de casos y controles es seleccionar el
diagnóstica, terapéutica o preventiva en una determinada
grupo control, ya que óptimamente debe tener las mismas características que
el grupo de casos para minimizar el riesgo de aparición de sesgos de selección muestra de individuos.
o de sesgos por factor de confusión. Para conseguirlo se emplean técnicas de Son los mejores estudios para demostrar hipótesis
apareamiento (ver tema 8.2. Errores sistemáticos (sesgos)). (MIR 10, 181; MIR), y son menos sensibles a los sesgos
**Los estudios de cohortes (y cualquier estudio prospectivo) son sensibles a (MIR 13, 180) que los estudios observacionales. Por el
la aparición de pérdidas, ya que requieren ver a los pacientes en el futuro y eso contrario, todos requieren un seguimiento prospectivo y son
puede no ser posible (fallecimientos, cambio de domicilio, incomparecencia del caros, lentos y poco reproducibles. Además, están sujetos a
paciente…). En cambio, los estudios de casos y controles sólo requieren ver a problemas éticos (ya que se interviene activamente sobre la
cada paciente una vez, por lo que no pueden tener pérdidas.
salud de las personas).
Tabla 1. Diferencias entre los estudios de casos y controles y los estudios de Los tipos de estudios experimentales que se diferencian por el
cohortes (MIR). modo de asignación de la intervención:
Pasado Presente
factor de riesgo / protector enfermos (casos)

Casos y controles
factor de riesgo / protector sanos (controles)
Presente Futuro
expuestos incidencia de enfermedad

Cohortes
no expuestos incidencia de enfermedad
Figura 1. Estudio de casos y controles y estudio de cohortes.
37
Estudios “experimentales” Los estudios de intervención comunitaria son habitualmente

la alternativa a un ensayo de campo cuando es muy difí-
cil utilizar una base individual. Por ejemplo, si se realiza un
La asignación de intervención o no intervención a cada indivi- estudio para demostrar si el consumo de agua fluorada pre-
duo se realiza de manera aleatoria, de modo que es el azar viene la aparición de caries, aleatorizar individuos y que unos
el que forma los distintos grupos (grupo intervención/grupo tomen agua fluorada y otros agua normal puede ser muy
no intervención) que se van a comparar entre sí. difícil. En estos casos es más sencillo aplicar la intervención
Se consideran mejores estudio para demostrar hipótesis que sobre comunidades enteras (p. ej., que a una determinada
los cuasi-experimentales. localidad se añada flúor al suministro de agua y a otra no).
Para poder llevar a cabo cualquier estudio experimental, • Ensayo clínico no aleatorizado (MIR): igual que un ensayo
es necesario obtener autorización por parte de la Agencia clínico, sólo que la asignación de la intervención no es aleato-
Española del Medicamento (MIR 10, 191), así como un dic- ria. También se denomina estudio antes-después, aunque
tamen favorable del Comité Ético de Investigación Clínica este término se suele reservar para estudios de intervención
(CEIC) de cada uno de los Centros médicos que participen en en un único grupo de pacientes (con lo que no hay posibi-
el estudio (MIR 12, 187). lidad de aleatorización) en los que se compara la situación
basal con la situación tras la administración de un tratamiento
• Ensayo de campo (MIR): estudio experimental cuyo objetivo (datos apareados).
es la prevención de una enfermedad mediante la aplicación
de una medida preventiva (p. ej., una vacuna) a un grupo de (Ver figura 2 en la página siguiente)
sujetos sanos, cuyos resultados se compararán con los de
otro grupo de sujetos sanos a los que no se aplicó la medida
preventiva. 7.3. Niveles de evidencia científica
• Ensayo clínico (MIR 15, 196; MIR 12, 178; MIR 10, 184):
estudio experimental cuyo objetivo es el tratamiento de una Actualmente, las sociedades científicas médicas basan sus
enfermedad mediante la aplicación de una intervención (p. recomendaciones en los resultados de los estudios epidemioló-
ej., un fármaco) a un grupo de sujetos enfermos, cuyos gicos disponibles sobre cada materia: Medicina Basada en la
resultados se compararán con los de otro grupo de enfermos Evidencia, que consiste en la integración de la mejor evidencia
a los que no se aplicó el tratamiento. científica disponible sobre un tema con la maestría clínica
individual (MIR 10, 131).
La declaración CONSORT (Consolidated Standards of Re-
En función de la calidad de diseño de cada tipo de estudio,
porting Trials) (MIR 11, 183) tiene como objetivo mejorar la
éste es capaz de generar un determinado nivel de evidencia
redacción de artículos sobre ensayos clínicos aleatorizados.
científica. Existen numerosas escalas de cuantificación del nivel
Establece una serie de normas básicas de redacción que los
de evidencia, pero la más utilizada utiliza un esquema ABC
autores deben cumplir, y establece una lista de puntos que
(siendo mayor la evidencia generada por los estudios de nivel A,
los lectores deben chequear para comprobar que los datos
y menor la de nivel C, cuya evidencia se considera inconcluyente
importantes están incluidos en el artículo, favoreciendo así la
y debe confirmarse mediante estudios de mayor calidad).
comprensión y capacidad crítica de los lectores.
La declaración STROBE (Strengthening the Reporting of Ob-
servational studies in Epidemiology) tiene un objetivo similar a Niveles de evidencia científica ABC (MIR 11, 176; MIR)
la CONSORT, pero para estudios observacionales (transversa-
les, casos y controles y cohortes). Para los metaanálisis, existe
• Nivel de evidencia A.
la declaración PRISMA.
- Metaanálisis de estudios experimentales aleatorizados.
Estudios “cuasi-experimentales” - Varios estudios experimentales aleatorizados.

• Nivel de evidencia B.
La asignación de la intervención se realiza por un método no - Un único estudio experimental aleatorizado.
aleatorio: los grupos que van a participar en el estudio no se
forman mediante el azar. Si sólo hay un grupo de pacientes - Estudios cuasi-experimentales.
en un estudio con intervención, siempre será cuasi-experimen- - Estudios de cohortes grandes.
tal, ya que la intervención se realizará en dicho grupo y el azar
no podrá decidir nada. • Nivel de evidencia C.
Por ejemplo, si los grupos que van a participar ya existen de - Estudios observacionales (salvo cohortes).
manera natural (p. ej., dos localidades) y se elige cuál de los
dos grupos recibirá la intervención mediante el azar (tirando - Consenso de expertos.
una moneda al aire) no se está aleatorizando, ya que la aleato-
rización implica formar los grupos mediante el azar. Metaanálisis
• Estudio de intervención comunitaria (MIR): son estudios
con base comunitaria, y en general para valorar medidas El metaanálisis es una revisión sistemática de la literatura
preventivas. Casi siempre son cuasi-experimentales (pero po- en la que se combinan estadísticamente los resultados de
drían ser aleatorizados) ya que, al utilizar una base comunita- todos los estudios incluidos (MIR 14, 194; MIR):
ria, los grupos de estudio suelen estar preformados y en esos
casos es imposible formarlos mediante el azar.
38
Más rápidos, baratos, reproducibles

Peores para demostrar hipótesis
Más sesgos
Comunicación de un caso / serie de casos
Base comunitaria Estudio ecológico

Sin seguimiento
Base individual Estudio transversal
Observacionales C
Seguimiento retrospectivo Estudio de casos y controles
o
e ñ
Base comunitaria Series temporales

s
Seguimiento prospectivo
d i
Base individual Estudio de cohortes
Base comunitaria Estudio de intervención comunitaria B

o r
Asignación no aleatorizada
(estudios cuasi-experimentales) Ensayo clínico no aleatorizado
Base individual
(estudio antes-después)
e j
Experimentales
Fines preventivos Ensayo de campo
Asignación aleatorizada
M
(estudios experimentales) A
Fines terapéuticos Ensayo clínico
Más lentos, caros, poco reproducibles

Mejores para demostrar hipótesis
Menos sesgos
Figura 2. Tipos de estudios epidemiológicos y nivel de evidencia científica que generan.
• Revisión sistemática: la búsqueda bibliográfica se realiza en

función de unos criterios de selección concretos (inclusión RR (IC 95%)
y exclusión), de modo que todo estudio que cumpla con esos Estudio 1
criterios deberá ser incluido en el metaanálisis (MIR 18, 219).
Estudio 2
Las revisiones narrativas, sin embargo, incluyen los artícu-
los que elija libremente el investigador. Estudio 3
Estudio 4
• Combinación estadística de resultados: los resultados de
los pacientes que participaron en cada estudio individual se Estudio 5
tratan como si todos los pacientes hubieran participado en Estudio 6
un único estudio. Así, se obtiene un resultado combinado Resultado agregado
que procede de un tamaño muestral inmenso (la suma de
0,25 0,50 0,75 1,00 1,25 1,50 2,00
tamaños muestrales de cada estudio individual), con lo que
se consigue: A favor del A favor del
fármaco fármaco
- Mayor precisión: intervalos de confianza más pequeños. experimental control
- Mayor potencia estadística: mayor probabilidad de de-
Figura 3. Ejemplo de representación de los resultados de un metaanálisis. Se
mostrar la existencia de diferencias de modo estadística-
expone el IC 95% del resultado de cada estudio individual, y debajo de los
mente significativo, si realmente existen. estudios individuales se expone el IC 95% del resultado agregado (se suele
representar con un rombo, cuyo centro coincide con el centro del IC 95%).
Los metaanálisis se realizan en situaciones en las que la evi-
dencia científica disponible sobre un tema es inconcluyente, Aspectos estadísticos del metaanálisis (MIR 13, 194)
bien porque los estudios realizados tienen un pequeño tamaño
muestral y no han demostrado diferencias significativas (quizá
por falta de potencia estadística), o bien porque los resultados Heterogeneidad y modelos estadísticos de combinación
de los distintos estudios arrojen conclusiones discordantes. de resultados
La evidencia generada por los metaanálisis se considera supe- Uno de los principales problemas que nos podemos encontrar
rior a la de los estudios individuales incluidos (MIR 17, 234), en un metaanálisis es la diferencia entre los estudios incluidos.
y ocupa el nivel ABC del estudio incluido que tenga un menor Para determinar el grado de heterogeneidad de los estudios
nivel de evidencia. Por ejemplo, un metaanálisis de ensayos incluidos se utilizan diversos métodos, como los estadísticos de
clínicos tendrá un nivel de evidencia A, pero si se mezclan heterogeneidad (prueba Q, índice I2) y el gráfico de Galbraith.
ensayos clínicos con estudios de cohortes el nivel de evidencia Cuando encontremos un análisis de heterogeneidad con una
será B. p significativa (<0,05), significará que existe heterogeneidad,
y por tanto lo correcto será aplicar un modelo de efectos
aleatorios (MIR 16, 28).
39
A la hora de combinar los estudios y obtener el resultado distribuyen los estudios incluidos en el metaanálisis. Se parte
agrupado global del metaanálisis, los estudios son ponderados del supuesto de que los estudios con mayor probabilidad de no
según el tamaño muestral, la dispersión y la calidad de los ser publicados son los que no muestran diferencias (estudios
mismos, dando diversos grados de importancia a cada factor “negativos”), sobre todo si son de pequeño tamaño; si no
en los diferentes modelos. El factor principal que nos hace encontramos en nuestro gráfico estudios con esas característi-
elegir el modelo estadístico de combinación de los resultados cas, es probable que estemos incurriendo en un sesgo de pu-
es el grado de heterogeneidad de los estudios, existiendo un blicación. Como este gráfico presenta una subjetividad
modelo de efectos fijos y uno de efectos aleatorios. “visual”, en ocasiones se utilizan también pruebas analíticas
El modelo de efectos fijos se utiliza cuando la heterogenei- para verificar el sesgo de publicación, como el test de Begg o
dad es baja (MIR 11, 195); no tiene en cuenta la variabilidad el test de Egger.
entre los estudios (inter-estudios), sino que su ponderación
se basa principalmente en la variabilidad intra-estudio y en el
tamaño muestral. El modelo de efectos fijos se utiliza por tanto
cuanto los estudios incluidos son muy parecidos entre sí y con 0
el mismo tipo de pacientes (similar a un ensayo clínico con
criterios de selección muy estrictos), lo que le confiere mayor
validez interna y una mayor potencia estadística y precisión en
1
Error estándar
sus resultados.
Por otro lado, el modelo de efectos aleatorios tiene en
cuenta que los estudios pueden ser variables entre sí (varia-
bilidad inter-estudios). De este modo, los modelos de efectos 2
aleatorios son menos potentes, con intervalos de confianza
más amplios para el efecto combinado, y al no ponderarse por
tamaño muestral, pueden dar excesiva importancia a estudios
de pequeño tamaño. 3
0,1 0,33 0,6 1 3 10
Efecto
Análisis de sensibilidad
Este análisis pretende estudiar la influencia de cada uno de
0
los estudios incluidos en la estimación global del efecto y así
la estabilidad de la medida final. Consiste en la repetición del
metaanálisis tantas veces como estudios se hayan incluido, de
forma que cada vez se omite un estudio combinándose todos 1
Error estándar
los restantes. Si los resultados de los distintos metaanálisis

realizados son similares, se puede concluir que los resultados
son robustos. En caso contrario no se tendría un estimador
robusto, lo cual exigiría cierta precaución en la interpretación 2
de los resultados o podría ser motivo para generar nuevas
hipótesis.
Este mismo proceso podría repetirse eliminando a un mismo
tiempo varios estudios (por ejemplo, aquellos de peor calidad 3
metodológica, los no publicados, etc.) para determinar su 0,1 0,33 0,6 1 3 10
posible influencia en los resultados. Efecto
Figura 4. Funnel plot (MIR 17, 18). El gráfico representa cada estudio (pun-
Sesgo de publicación tos) incluido en el metanálisis en función de su tamaño (que es inversamente
proporcional al error estándar del resultado, mostrado en el eje de ordenadas:
Es un tipo de sesgo de selección que consiste en no incluir estudios pequeños “abajo” y estudios grandes “arriba”) y de la medida del
artículos que no se hayan publicado (si no los buscamos en efecto que se obtuvo (RR, OR, etc., representado en el eje de abscisas). La
sitios muy concretos nunca vamos a encontrar esos artículos). medida del efecto agregado del metanálisis suele representarse como una
Dichos artículos suelen ser desfavorables para el tratamiento línea vertical punteada. Si la distribución de los estudios sigue una forma
experimental (simplemente porque los estudios en los que triangular y simétrica (esquema de arriba) a ambos lados de dicha medida de
el fármaco no muestra diferencias significativas no se suelen efecto agregado, existen pocas probabilidades de sesgo de publicación, pero
si “faltan” estudios en alguna región del teórico triángulo (esquema de abajo,
publicar); por tanto, si existe sesgo de publicación sobreesti-
círculo rojo) es probable la presencia de un sesgo de publicación.
maremos el efecto del fármaco experimental.
Existen varios métodos para investigar la presencia de un sesgo
de publicación. El más simple consiste en realizar un análisis
Metaanálisis acumulado
de sensibilidad para calcular el número de estudios negativos
realizados y no publicados que debería haber para modificar el Se define como aquel proceso en el cual se lleva a cabo un
sentido de una posible conclusión “positiva” del metaanálisis nuevo metaanálisis cada vez que aparece un nuevo estudio
(si este número es muy elevado, se considera que la proba- publicado. No requiere de técnicas estadísticas especiales para
bilidad de que el sesgo de publicación haya modificado los combinar los estudios. Permite estudiar de forma retrospectiva
resultados es baja, y se acepta la existencia de las diferencias el momento en el que el efecto de un nuevo tratamiento
sugeridas por el metaanálisis). supera al control.
También se puede examinar con el método conocido como el Esta forma de presentación de los resultados pone de mani-
gráfico en embudo (Funnel-plot) (MIR 15, 200), en el que se fiesto lo difícil que es para cualquier estudio individual, una vez
40
se han alcanzado resultados relativamente estables, aportar aúna los componentes que debe tener toda pregunta que guía
información adicional. una investigación (MIR 20, 150):
El metaanálisis acumulado sería similar en planteamiento a un
• Pacientes: criterios de inclusión/exclusión. Cuando realizamos
ensayo clínico secuencial.
una revisión sistemática, los criterios de inclusión y exclusión
son referidos a los estudios que seleccionaremos (que pasan
a ser nuestros “pacientes”).
7.4. Estructura metodológica de
un trabajo científico (MIR 18, 225) • Intervención: tratamiento en el brazo experimental.
• Comparación: tratamiento en el brazo sin intervención.
Un proyecto de investigación debe situar las bases de la inves- • Outcome (resultado): resultado en el que nos fijaremos para
tigación a realizar. Su valor se establece en la medida en que evaluar nuestra intervención; idealmente debe contener uno
tiene plena claridad y concreción en las razones para analizar o dos objetivos primarios, y otros secundarios.
el objeto de estudio elegido, la perspectiva teórica desde
donde se sitúa el investigador, el paradigma investigativo
que sustenta todo el estudio y, por tanto, la metodología de Además, antes de empezar el estudio (a priori), se deben
aproximación a la realidad: población, muestra, estrategias de especificar todos sus aspectos metodológicos, con un cuidado
recogida de información, técnicas de análisis de la información especial en explicar todas las mediciones que se van a realizar y
y temporalidad de todo el proceso. Por orden, los elementos el método estadístico por el que se van a analizar los resultados.
fundamentales en esta estructura son: Si se extraen conclusiones de un estudio epidemiológico a pos-
teriori (estudios post hoc), dichas conclusiones no servirán
1. Introducción: contiene una descripción clara de la estruc- para confirmar hipótesis, sino que sólo sirven para generarlas
tura general del proyecto. y se deberán confirmar con nuevos estudios específicamente
diseñados para ello. Por ejemplo: realizar un análisis de subgru-
2. Justificación: contiene los argumentos fundamentales que
pos que no estaba planificado inicialmente y observar que un
sustentan la investigación a realizar.
determinado subgrupo se beneficia del fármaco.
3. Planteamiento del problema: formulación del problema
que se pretende resolver con la investigación.
2. Reclutamiento (inclusión de sujetos participantes)
4. Objeto de estudio: delimita la parte de la realidad que
interesa estudiar.
Una vez definidas las características del estudio, se realiza la
5. Preguntas de investigación: son las interrogantes básicas
inclusión de los sujetos participantes. Para incluir a un paciente
que se derivan de la justificación y el problema planteado.
en un estudio experimental, deben seguirse por este orden
6. Objetivos: las acciones concretas que se realizarán para (MIR) los siguientes pasos:
intentar responder a las preguntas de investigación. En este
apartado se incluye la hipótesis de investigación. A. Criterios de selección: verificar que el paciente cumpla
todos los criterios de inclusión y no tenga ningún criterio
7. Fundamentación teórica: directrices teóricas que guían el
de exclusión.
estudio, con las evidencias de la literatura.
B. Consentimiento informado (MIR 18, 208): el paciente
8. Metodología de la investigación: descripción y argumen-
debe expresar libremente y por escrito su consentimiento
tación de las principales decisiones metodológicas.
para participar en el estudio.
9. Población y muestra: selección de la población objetivo.
En el caso de que se utilice placebo, los sujetos deben saber
Justificación del tamaño muestral elegido.
que pueden ser tratados con éste (MIR), aunque luego no
10. Diseño de la investigación: representación gráfica que podrán conocer si están tomando el placebo o el fármaco
presenta la metodología completa, la forma en que se or- (enmascaramiento). Además, si se utiliza placebo deben in-
ganiza todo el proceso de investigación y los aspectos me- cluirse en el diseño del estudio “cláusulas de rescate” que
todológicos esenciales. permitan pasar a un sujeto del grupo placebo al grupo de
fármaco experimental si su evolución clínica empeora cla-
11. Cronograma o carta Gantt y presupuesto: estimación ramente y hay datos provisionales de mayor eficacia con el
del tiempo y dinero que tomarán cada una de las etapas de fármaco experimental.
la investigación.
Cuando administramos un fármaco en un ensayo clínico,
12. Bibliografía: fuentes documentales consideradas, cum- su efecto farmacológico total (respuesta global) tendrá los
pliendo las normas estandarizadas (p. ej., el estilo Vancouver). siguientes componentes (MIR 19, 117):
- Efecto farmacodinámico: es el efecto real terapéutico del
7.5. Fases de realización de fármaco.
los estudios epidemiológicos - Efecto placebo: es la suma de varios efectos distintos:
• Efecto placebo absoluto: se debe a la suma del efecto
1. Diseño inespecífico del fármaco (el efecto placebo que supone
recibir un fármaco) y al efecto inespecífico del médico
Idealmente, todo proyecto de investigación debería iniciarse (el efecto placebo que supone sentirse tratado por un
con una pregunta. Se ha propuesto el acrónimo PICO, que médico).
41
• Regresión a la media: si cuando administramos el fár- 4. Análisis de resultados y obtención de conclusiones

maco a un sujeto concreto de un estudio su efecto se (MIR 14, 204; MIR)
aleja mucho de la media (efecto extremo: o muy alto o
muy bajo), en el siguiente sujeto, o la siguiente vez que
se administre el fármaco al mismo paciente, el efecto Una vez obtenidos los resultados, se deben analizar siguiendo
tenderá a ser más cercano a la media (dado que es el los siguientes pasos:
efecto más probable de encontrar).
A. Verificar que el diseño sea correcto y no haya sesgos (va-
lidez interna). Es el paso más importante del análisis de
resultados, ya que la ausencia de validez interna invalidará
Efecto Efecto cualquier resultado obtenido.
farmacodinámico placebo
La lectura crítica de un artículo científico deberá, por tanto,
basarse fundamentalmente en analizar los aspectos meto-
dológicos del estudio (su diseño), plasmados en el apartado
Efecto placebo absoluto
Efecto inespecífico del fármaco “Material y Métodos” del estudio.

B. Confirmar la existencia de significación estadística.
C. Valorar la magnitud de las diferencias existentes y su rele-
vancia clínica. La existencia de diferencias estadísticamente
significativas entre dos intervenciones no implica que una
Efecto inespecífico del médico de ellas sea mejor que otra. Sólo si la magnitud de dicha
diferencia es suficiente (MIR), y si implicará beneficios re-
levantes desde un punto de vista clínico, podremos decir
que una intervención es “mejor” que otra y, por tanto,
establecer una recomendación al respecto (MIR).
Regresión a la media
D. Determinar la validez externa. Los resultados del estudio
se podrán generalizar a aquellos subgrupos poblacionales
que cumplan los criterios de selección de los pacientes par-
Figura 5. Componentes del efecto farmacológico total. ticipantes del estudio.
C. En estudios experimentales: asignación de interven- 5. Difusión de los resultados

ción. Una vez se comprueba que el paciente cumple los
criterios de selección y firma el consentimiento informado, Mediante la publicación del estudio en artículos científicos u
se le asigna a un grupo del estudio. otros medios de comunicación.
En los estudios experimentales “puros” esta fase se deno-
mina aleatorización (MIR 10, 189). Si la aleatorización ha
sido adecuada, las características de los distintos grupos del
7.6. Fases de desarrollo de un tratamiento
estudio serán superponibles, pero el azar también puede (fases del ensayo clínico) (MIR)
jugar una mala pasada y hacer que la distribución de alguna
característica sea distinta entre los grupos (MIR). Existen Para el desarrollo de un tratamiento, primero se realiza su
distintas técnicas de aleatorización: síntesis química y se realizan estudios con material biológico
• Aleatorización simple: cada paciente tiene las mismas in vitro. Posteriormente se prueba su eficacia y seguridad
probabilidades de formar parte de cada uno de los gru- en animales. Tras esta fase preclínica, el tratamiento debe
pos. El azar podría hacer que el número de pacientes de testarse en humanos antes de poder comercializarlo.
cada grupo sea distinto. La fase clínica del desarrollo de un tratamiento incluye
• Aleatorización por bloques: consigue que haya el mismo estudios con diseño de ensayo clínico y por eso se suele hablar
número de personas en todos los grupos de estudio. directamente de “fases del ensayo clínico”; dicha fase clínica
Para ello, se elige un número, y cada “bloque” (ese nú- consta a su vez de las siguientes fases:
mero) de pacientes debe tener el mismo número de pa-
cientes distribuido en cada grupo de tratamiento. Fase I (MIR 15, 179; MIR)
• Aleatorización estratificada: la estratificación de la
muestra en función de una característica que pueda Es la primera vez que se utiliza el tratamiento en humanos
funcionar como factor de confusión o que sea un factor (MIR). Consiste en un estudio transversal sobre un único
pronóstico importante permitirá su distribución homo- grupo de sujetos voluntarios, cuyo objetivo es estudiar las
génea en los distintos grupos (MIR). propiedades farmacocinéticas del tratamiento.
Como objetivo secundario, se estudia de forma preliminar la
3. Monitorización tolerabilidad/toxicidad del fármaco (si su administración
produjo efectos adversos a los voluntarios) (MIR 11, 188).
Fase de seguimiento de los pacientes, en la que se realizan las Habitualmente se realiza sobre voluntarios sanos (que
mediciones previstas en el diseño y se obtienen los resultados. suelen recibir una remuneración económica por participar en
el estudio), pero si el tratamiento se prevé que tenga muchos
42
efectos adversos se realizará con voluntarios enfermos (MIR) relevancia clínica de los resultados, pero al ser en general
(p. ej., quimioterápicos). cualitativas (p. ej., muerte: sí/no) proporcionan menor potencia
estadística. Estas variables clínicas son muchas veces subjeti-
vas (dolor, calidad de vida…), lo cual dificulta su correcta de-
Fase II y fase III terminación; son útiles en este caso las escalas de evaluación
multidimensionales, que aportan una alta relevancia clínica,
Son las fases que tienen diseño de ensayo clínico. Por lo pero pueden ser difíciles de interpretar y tener problemas de
tanto, su objetivo es valorar la eficacia y seguridad del validez para nuestra muestra concreta (MIR).
tratamiento en un grupo de enfermos. Las dos fases pueden En ocasiones, en vez de utilizar variables duras se utilizan
tener un grupo control y un diseño idéntico. En el caso de variables resultado blandas pero que han demostrado asociarse
tener grupo control, éticamente se debe emplear el fármaco de manera significativa a una determinada variable dura en
activo que sea actualmente de elección (MIR 12, 185; estudios previos (“validadas”): es lo que se llaman variables
MIR 12, 189). La utilización de placebo se reserva para los subrogadas o intermedias (MIR). Al ser variables en general
casos en los que no hay fármacos con eficacia demostrada, cuantitativas, aportarán mayor potencia estadística y por tanto
y también se permite para enfermedades que no sean graves permitirán utilizar un menor tamaño muestral en el estudio,
(sin riesgo de secuelas) y en las que exista una alta tasa de pero son siempre peores que la utilización de la variable
respuesta a placebo (MIR 14, 202; MIR 12, 232). dura en sí misma (más riesgo de sesgos). Ejemplo: analizar si
un nuevo betabloqueante consigue disminuir la PAD en 10
Las diferencias entre la fase II y la fase III son las siguientes:
mmHg (variable subrogada) en sujetos hipertensos, lo cual
ha demostrado en estudios previos aumentar la supervivencia
(variable dura).
Fase II (MIR 14, 203; MIR 13, 190)
Así, los estudios de fase III demuestran si el nuevo tratamiento
Empleo del tratamiento en un grupo reducido de enfermos va a ser útil para los pacientes desde el punto de vista clínico
(en general <100) muy seleccionados, esto es, con criterios de y constituyen la evidencia fundamental del beneficio-riesgo
selección estrictos (estudios explicativos) (MIR). del medicamento, por lo que son los que permiten que se
Además, suelen utilizar variables resultado “blandas” (MIR) comercialice un fármaco o tratamiento.
(determinaciones de laboratorio, pruebas de imagen…), que La utilización de criterios de selección laxos hace que la muestra
aportan menor relevancia clínica de los resultados, pero al sea muy heterogénea (los pacientes serán muy diferentes entre
ser en general cuantitativas proporcionan mayor potencia sí), lo cual confiere las siguientes ventajas e inconvenientes:
estadística.
En ocasiones se distingue una primera fase IIa (la que hemos • Ventajas:
mencionado hasta ahora), y una segunda fase IIb (MIR 17, 116; - Mayor validez externa: los resultados serán generaliza-
MIR 10, 187), cuyo objetivo es probar varias dosis del fármaco bles a un amplio sector de la población (así, cuando se
para establecer la relación dosis-respuesta (titulación de do- comercialice el fármaco una gran parte de la población se
sis) y elegir la dosis más adecuada para su empleo en la fase III. podrá beneficiar de él).
La utilización de criterios de selección estrictos hace que • Inconvenientes:
la muestra sea muy homogénea (los pacientes se parecerán
mucho entre sí), lo cual confiere las siguientes ventajas e - Menor validez interna: mayor riesgo de sesgos de selec-
inconvenientes: ción o por factor de confusión.
• Ventajas: - Resultados dishomogéneos: como los pacientes son dis-

tintos entre sí, el efecto del fármaco variará mucho en fun-
- Mayor validez interna: menor riesgo de sesgos de selec- ción de sus características, obteniendo resultados menos
ción o por factor de confusión, al tener los distintos grupos precisos (intervalos de confianza amplios) y una menor
características similares. potencia estadística (necesidad de un mayor tamaño
- Resultados más homogéneos: como los pacientes son muestral).
muy parecidos, el fármaco hará lo mismo en todos ellos ob-
teniendo resultados más precisos (intervalos de confianza Fase IV (fase poscomercialización)
más pequeños), con lo que aumenta la potencia estadís-
tica del estudio (necesidad de menor tamaño muestral).
Incluye aquellos estudios realizados con un fármaco tras su
• Inconvenientes: comercialización, que como hemos visto ocurre tras la publica-
- Menor validez externa: los resultados serán generaliza- ción de los estudios en fase III.
bles sólo a un limitado sector de la población. Tiene fundamentalmente tres objetivos:
• Estudio de la efectividad de un fármaco (cuando se utiliza

Fase III (MIR 13, 191; MIR) en la práctica clínica habitual) (MIR 10, 192). Para dicho ob-
Empleo del tratamiento en un grupo amplio de enfermos (en jetivo, se realizan EPA: estudios postautorización de tipo ob-
general >100) con criterios de selección laxos (estudios servacional y seguimiento prospectivo.
pragmáticos), lo que va a permitir que la muestra sea similar • Búsqueda de nuevas indicaciones: para ello, se deberán
a los pacientes que se van a encontrar en la práctica clínica volver a realizar estudios con diseño análogo a la fase II y
habitual (MIR 15, 180), y la eficacia demostrada se parecerá a fase III.
la “efectividad” que se observará en la población (MIR).
• Farmacovigilancia (MIR 17, 119; MIR): sistema de notifi-
Además, suelen utilizar variables resultado “duras” (varia-
cación espontánea de posibles reacciones adversas asociadas
bles clínicas: muerte, infarto, ictus…), que aportan mayor
43
a un tratamiento por parte del personal sanitario. Intenta 7.7. Diseños especiales en estudios experimentales
detectar reacciones adversas poco frecuentes (que no se
detectaron en los ensayos clínicos realizados por su limitado
tamaño muestral) y que sólo se podrán detectar cuando el Diseño paralelo vs. diseño cruzado
fármaco se administre a miles de personas en la práctica clí-
nica habitual. El diseño paralelo es el utilizado habitualmente, por el cual
La notificación espontánea de reacciones adversas la debe un grupo de sujetos recibe un único tratamiento o interven-
realizar cualquier personal sanitario mediante la cumplimen- ción, y el otro grupo que recibe el otro tratamiento.
tación de una “tarjeta amarilla” (MIR) que se envía a la En el diseño cruzado, sin embargo, todos los sujetos reciben
Agencia Española del Medicamento y Productos Sanitarios los dos tratamientos o intervenciones en comparación (MIR).
(AEMPS), o bien a través de la aplicación web y móvil FEDRA. Un grupo recibe primero un tratamiento y luego el otro, y el
Ésta recopila las notificaciones recibidas y las reenvía a la otro grupo recibe la secuencia de tratamientos inversa. Así, lo
Agencia Europea del Medicamento, que es el organismo res- que se aleatoriza en este caso es la secuencia de administración
ponsable de la Farmacovigilancia a nivel europeo. de los tratamientos (MIR).
Si se reciben varias notificaciones que parecen sugerir que un
medicamento produce una reacción adversa, se lanza una
advertencia al respecto (“warning”) y se diseña un estudio Aleatorización Seguimiento Comparación
epidemiológico para demostrar la posible relación causal. Al
querer estudiar un problema de salud raro (reacción adversa
Grupo “A” A A
poco frecuente) el diseño habitual de dichos estudios es de
Paralelo “A” vs “B”
casos y controles.
Grupo “B” B B
Los estudios farmacoeconómicos (ver tema 7.10. Estu-
dios farmacoeconómicos) son útiles para labores de farma-
covigilancia porque permiten estudiar la utilización de un Grupo “A-B” A A A
fármaco en la población y por tanto calcular cuántas personas Cruzado “A” vs “B”
están expuestas al mismo (MIR). Grupo “B-A” B B B
Figura 6. Diseño paralelo y diseño cruzado.
FASE POBLACIÓN CARACT. OBJETIVOS Ventajas del diseño cruzado respecto al paralelo
• Características
• Requiere la mitad de tamaño muestral. En un diseño cru-
farmaco-ciné-
Voluntarios Diseño zado, cada individuo recibe los dos tratamientos, por lo que
I (sanos) transversal
ticas
sirve como su propio control y ahorra la inclusión de otro
• Toxicidad
individuo para servir de control. Si necesitamos 100 pacientes
preliminar
que tomen la medicación “A” y 100 pacientes que tomen la
medicación “B”, en un diseño paralelo tendremos que incluir
• Criterios de se- • IIa: eficacia
200 pacientes (100 por ramo de tratamiento), mientras que
lección estrictos y seguridad
en un diseño cruzado sólo necesitaremos 100 pacientes (50
•↓ n • IIb: titular dosis
II Enfermos
• Variables
en el grupo A-B y 50 en el grupo B-A).
blandas • Muestra más homogénea. El grupo de individuos que toma
el fámaco “A” es igual que el que toma el fármaco “B” (son
las mismas personas); esta circunstancia hace surgir el con-
• Criterios de se- cepto de “variabilidad intraindividual o intragrupal”
lección laxos (MIR), que hace referencia al hecho de que en los diseños
Eficacia y
III Enfermos •↑ n cruzados cada individuo es su propio control y por tanto la
seguridad
• Variables re- variabilidad que existe entre cada individuo y su control (o
sultado duras entre cada grupo y su control) es nula (son las mismas perso-
nas). Sin embargo, la “variabilidad interindividual o intergru-
• Efectividad pal” (entre dos sujetos o grupos diferentes del estudio) no
Práctica • Nuevas varía respecto al estudio paralelo.
IV clínica indicaciones
Como ya hemos visto previamente, el disponer de una mues-
habitual • Farmaco-
tra homogénea aporta ventajas:
vigilancia
- Menor riesgo de sesgos de selección y por factor de confusión.
Tabla 2. Fases del ensayo clínico. - Mayor potencia estadística y precisión de los resultados.
44
Inconvenientes del diseño cruzado respecto al paralelo mientras que el siguiente ejemplo de diseño factorial utilizaría
220 pacientes (50 A, 50 B, 50 C, 20 AB, 20 AC, 20 BC, 10
• Mayor duración: dura el doble de tiempo, ya que cada su- ABC; sigue habiendo 100 pacientes en total que toman A,
jeto recibe una intervención y luego debe recibir la otra. 100 que toman B y 100 que toman C).
• Muy sensible a las pérdidas: si se pierde un paciente, se
pierde en los dos grupos de comparación “A” y “B”, por lo Diseño con n = 1 (MIR 10, 193)
que es como perder dos pacientes en un diseño paralelo.
• Efecto residual o de arrastre: efecto que deja el primer Ensayo clínico de diseño cruzado (sus características son
fármaco sobre el organismo. Tras dejar de tomar el primer totalmente aplicables) con un único individuo como muestra.
fármaco, se debe esperar un cierto tiempo (periodo de la- Se realiza cuando un paciente crónico es refractario a los trata-
vado) para que se elimine el fármaco y desaparezca su efecto mientos habituales, y su objetivo es encontrar un tratamiento
residual. que le sea útil desde el punto de vista clínico (se evalúan
Por lo tanto, el tratamiento no puede ser curativo ni dejar variables duras).
un efecto irreversible (MIR 17, 117; MIR). Además, el A diferencia del resto de estudios epidemiológicos, el objetivo
periodo de lavado de los dos fármacos debe ser similar del estudio es mejorar la salud de nuestro paciente, en lugar
(MIR). de mejorar la salud de la población.
• Efecto periodo: los dos tratamientos se administran al pa-
ciente en dos periodos de tiempo distintos, por lo que las Diseño polietápico
características clínicas de la enfermedad no deben cambiar
entre esos dos periodos para poder comparar el efecto de los
dos fármacos en las mismas condiciones basales. Los tratamientos se administran primero con dosis de in-
ducción, y posteriormente con dosis de mantenimiento (en
Por lo tanto, la enfermedad debe ser crónica. No es útil para varias “etapas”). Se utiliza principalmente en tratamientos
enfermedades agudas o que cursen con brotes, a menos que antineoplásicos.
los brotes sean predecibles (MIR) (si los brotes son prede-
cibles es el escenario más favorable para utilizar un diseño
cruzado, ya que el periodo entre los brotes funciona como Utilización de controles históricos
periodo de lavado).
Consiste en utilizar como grupo control a pacientes que han

Diseño secuencial sido tratados de la patología que estamos investigando en el
pasado (utilizándose por lo tanto el tratamiento convencional
No existe un tamaño muestral predeterminado, sino que que hubiera disponible). Compararemos los resultados de estos
se van incluyendo progresivamente pacientes hasta alcanzar un pacientes con los resultados de un grupo de enfermos del
tamaño muestral o un periodo de tiempo máximo establecido presente a los que tratamos con la terapia experimental. La uti-
(MIR). lización de controles históricos tiene numerosas limitaciones:
A medida que se van incluyendo pacientes, se realizan análisis • Utilización de datos indirectos (utilizamos datos de pacien-
intermedios para ver si se consigue llegar a la significación tes que fueron tratados en el pasado por otros médicos; pue-
estadística. En el momento que se alcance la significación (o si den faltar datos que necesitemos, o pueden estar recogidos
se llega al tamaño muestral o el tiempo máximos), el estudio de un modo distinto al que nos interesa).
se detiene.
• Posibilidad de sesgos de cointervención (MIR 18, 228;
MIR). Las “cointervenciones” son todas las mejoras en el ma-
Diseño factorial nejo de la enfermedad que han aparecido entre el pasado y la
actualidad, aparte del tratamiento experimental (p. ej., mejo-
res métodos diagnósticos que permiten un diagnóstico más
Es el diseño más eficiente cuando existen >2 opciones
precoz, mejores técnicas quirúrgicas…). Los pacientes de la
de tratamiento (MIR 15, 178; MIR). Consiste en dividir la
actualidad mejorarán su pronóstico no sólo por la utilización
muestra en grupos que toman cada tratamiento por separado,
del fármaco experimental, sino por todas esas “cointerven-
y grupos que toman cada una de las posibles combinaciones
ciones”. Así, los estudios con controles históricos tienden a
de tratamientos.
sobreestimar el efecto del fármaco experimental (MIR).
• Puede existir un problema de homogeneidad entre el grupo
Ventajas
experimental y el control si los criterios diagnósticos o para
tratar la enfermedad han variado.
• Permite evaluar interacciones entre los tratamientos.
• Ahorra tamaño muestral: ya que los pacientes que toman
Debido a estas limitaciones, la utilización de controles his-
varios tratamientos cuentan para los resultados de cada uno
tóricos se restringe a situaciones en las que es muy difícil
de los tratamientos.
reclutar el tamaño muestral necesario en el presente
Ejemplo: en un estudio que compara los fármacos A, B, C, (MIR) (enfermedades raras o terminales).
en el que se necesitan 100 pacientes por rama, un diseño Además, se exige que las variables resultado sean variables
convencional utilizaría 300 pacientes (100 A, 100 B, 100 C), duras.
45
7.8. Realización de muchas comparaciones caso de encontrar diferencias significativas en un análisis

en los estudios epidemiológicos intermedio, se detiene el estudio.
La realización de análisis intermedios debe estar planificada en
el diseño del estudio antes de comenzarlo.
La realización de muchas comparaciones en un estudio supone
Además, hay que tener en cuenta que al hacer análisis interme-
un problema ya que, con cada comparación realizada, existirá
dios se incurre en comparaciones múltiples, por lo que existe un
una probabilidad de cometer un error alfa (encontrar diferen-
riesgo de sobrestimar el beneficio del tratamiento experimental
cias que en realidad no existen), y la probabilidad alfa de cada
(mayor probabilidad de cometer un error alfa) (MIR 15, 193).
comparación se irá acumulando hasta tener una probabilidad
Por ello, habrá que aplicar una penalización estadística.
global de haber cometido errores en el estudio muy alta (MIR).
Así, pese a tener comparaciones individuales estadísticamente
significativas (si p <0,05), puede ocurrir que no podamos decir 7.9. Estudios de bioequivalencia
que de forma global nuestro estudio ha demostrado encontrar
diferencias (p “global” >0,05).
Ejemplo: si realizamos dos comparaciones con un error alfa de Tipos de especialidades farmacéuticas
0.04 en cada una, la probabilidad global de haber cometido
un error alfa en el estudio será = 0,04 + 0,04 – 0,04 · 0,04 = • Fármaco original o innovador: investigación y desarrollo
0,0784 (resultado “global” no significativo). completo por parte de la industria farmacéutica. Tiene un
Para evitar este problema, se aconseja aplicar una penaliza- periodo de exclusividad en el que sólo lo pude comercializar
ción estadística (MIR 18, 209): se exigen niveles de significa- la compañía farmacéutica que lo ha desarrollado.
ción de cada comparación individual lo suficientemente bajos
para que, al sumarlos, el valor alfa “global” sea p <0,05. De • Licencias o segundas marcas: la compañía farmacéutica
forma aproximada, el nivel de significación exigido para cada que ha desarrollado un fármaco (y todavía lo comercializa en
comparación individual es pi = 0,05 / n.º de comparaciones. periodo de exclusividad) autoriza a otra empresa para que
también lo distribuya.
Hay varias situaciones en las que se realizan muchas compara-
ciones en los estudios epidemiológicos: • Especialidad farmacéutica genérica (EFG) (MIR): especiali-
dad con la misma forma farmacéutica (comprimidos, cápsulas,
vial para inyección…) e igual composición cualitativa y cuanti-
Análisis de comparaciones múltiples tativa de principio activo que otra especialidad de referencia,
cuyo perfil de eficacia y seguridad esté suficientemente demos-
trado. Los excipientes pueden ser distintos. Pueden registrarse
Se comparan muchas variables esperando que al menos en antes de que haya expirado la patente original, pero se comer-
alguna de ellas se encuentren diferencias significativas. Implica cializan una vez haya expirado. En el registro han de aparecer
como hemos visto un mayor riesgo de encontrar falsas las mismas indicaciones de la especialidad original.
diferencias, por lo que sus resultados deben interpretarse con
precaución (MIR).
Estudios de bioequivalencia
Análisis de subgrupos
Para poder registrar un fármaco genérico, éste debe demostrar
su equivalencia terapéutica con la especialidad de referencia
Se analizan los resultados obtenidos en subconjuntos de la mediante los correspondientes estudios de bioequivalencia.
muestra (p. ej., en ancianos, en diabéticos, en pacientes con En ellos, no es necesario demostrar la eficacia y la relación benefi-
insuficiencia renal…). cio/riesgo del producto (MIR), siendo suficiente demostrar que
Puede ser útil para conocer el comportamiento de un fármaco las características farmacocinéticas (MIR 16, 38; MIR 15, 208)
en distintos grupos poblacionales, pero su realización es muy del genérico (concentración plasmática máxima alcanzada,
sensible a los sesgos, especialmente si los subgrupos no se tiempo que se tarda hasta alcanzar esa concentración, y
han previsto desde el inicio del estudio. cantidad total de fármaco absorbida –área bajo la curva–) no
En general, el análisis de subgrupos plantea nuevas hipótesis son significativamente distintas a la del producto original.
de trabajo, pero no sirve para confirmarlas. Dichas hipótesis Los estudios de bioequivalencia suelen realizarse en voluntarios
deberán confirmarse en nuevos estudios realizados específica- sanos y con un diseño cruzado (MIR 17, 36). El análisis de los
mente en pacientes del subgrupo de interés. datos se realiza para demostrar equivalencia terapéutica con
un límite bilateral de un 20% de diferencias. Dichas diferencias
se miden en el intervalo de confianza del 90% (IC 90%)
Análisis intermedios (MIR) del cociente de medias de los parámetros farmacocinéti-
cos mencionados, que debe encontrarse entre el 80-125%
(MIR 12, 200). Se divide la media de los resultados obtenidos
Son análisis de los resultados que se realizan en momentos
en el fármaco original entre la media de los resultados obteni-
intermedios del seguimiento de un estudio, cuando dicho
dos con el genérico.
seguimiento es muy largo (por ello, se realizan sobre todo
en los estudios de fase III). La demostración de bioequivalencia permite suponer que,
ante similar indicación y con la misma pauta posológica, esos
Se realizan para evitar que pasen desapercibidas diferencias
productos presentarán la misma eficacia clínica.
importantes entre los grupos en comparación (que pueden
haber surgido antes de que finalice el seguimiento del estudio), Las diferentes formas farmacéuticas orales de liberación inmediata
y por tanto incurrir en problemas éticos (seguir tratando a (comprimidos, cápsulas…) podrán considerarse la misma forma
un grupo de pacientes con un fármaco inferior a otro): en farmacéutica siempre que hayan demostrado su bioequivalencia.
46
Cp efectividad permitido (coste máximo que asumiríamos por cada

unidad de efectividad ganada), podemos decir que el fármaco
Cmáx
B es coste-efectivo respecto al otro. En cambio, si se supera el
umbral de coste-efectividad permitido, el fármaco B no será
coste-efectivo y no podremos permitir usarlo.
(CM fármaco B - CM fármaco A)

RCEI =
(EM fármaco B - EM fármaco A)
ABC
RCEI = Ratio de coste-efectividad incremental entre los fármacos A y B

CM = Coste medio
EM = Efectividad media
Figura 8. Ratio de coste-efectividad incremental.
Tmáx t
Análisis coste-utilidad (MIR 19, 124)
Administración del
fármaco Analiza la cantidad y calidad de vida. La utilidad es un concepto
estadístico que combina la probabilidad de un desenlace o
Cp: concentración plasmática. Cmáx: concentración plasmática máxima. Tmáx: resultado con las preferencias del paciente respecto a este
tiempo que se tarda hasta alcanzar la Cmáx. ABC: área bajo la curva, que es desenlace (muerte, curación, secuelas…). Una de las medidas
proporcional a la cantidad total de fármaco absorbida.
de utilidad más empleadas son los AVAC o QALY, años de
Figura 7. Parámetros analizados en un estudio de bioequivalencia.
vida ajustados por calidad de vida (MIR 19, 20; MIR 18, 217;
MIR 14, 208; MIR 12, 195). La calidad de vida relacionada
con la salud se evalúa mediante cuestionarios genéricos o
7.10. Estudios farmacoeconómicos específicos estandarizados.
Otra medida utilizada en este tipo de estudios son los años de
Los estudios farmacoeconómicos permiten analizar los resul- vida ajustados por discapacidad (AVAD o DALY en inglés
tados de un fármaco en función de su eficacia y también sus -disability adjusted life years-). Esta unidad comprende los años
costes; esto es conocido como eficiencia. en los que se acorta la esperanza de vida por la enfermedad
(años potenciales de vida perdidos: APVP o YLL en inglés -years
Estos análisis pueden ser de dos tipos. of life lost-) sumados a los años en los que el paciente vivirá
con algún tipo de discapacidad fruto de la enfermedad (años
ANÁLISIS PARCIALES ANÁLISIS COMPLETOS vividos con discapacidad: AVD o YLD en inglés -years lived with
disability-). Es la medida que mejor valora la carga global de
Descripción de costes una enfermedad (MIR 20, 178).
Descripción de consecuencias Al igual que sucede con los estudios de análisis coste-efectivi-
Descripción de costes Minimización de costes dad, para calcular si la mayor “utilidad” de un fármaco es ren-
y consecuencias Análisis coste-efectividad table con respecto a otro, realizaremos los estudios de análisis
Evaluación de eficacia Análisis coste-utilidad incremental que calculan el ratio de coste-utilidad incremental
y efectividad Análisis coste-beneficio (MIR 17, 125). Este indicador nos proporciona información
Análisis de costes sobre si los costes adicionales, originados por un cambio del
(MIR 11, 193) tratamiento A al tratamiento B, pueden ser justificados por los
beneficios clínicos subjetivos adicionales obtenidos.
Tabla 3. Tipos de análisis.
Análisis coste-beneficio
Los análisis más importantes son los completos: Mide los costes y los efectos en términos económicos
(MIR 13, 192; MIR).
Minimización de costes
Cuantifica los costes de dos o más procedimientos cuyas
consecuencias son equivalentes (MIR 17, 126; MIR). Recuerda...
PISTA MÍRICA TIPO DE ANÁLISIS
Análisis coste-efectividad
Compara el coste que supone en condiciones reales obtener Consecuencias similares Minimización de costes
un año de vida ganado, una curación, una muerte evitada, etc.
Años de vida ganados Coste-Efectividad
Para calcular si la mayor efectividad de un fármaco es rentable
respecto a otro, realizamos los estudios de análisis incremen-
Años de vida+
tal (MIR 10, 198; MIR), que calculan el ratio de coste-efectivi- Coste-Utilidad
Calidad de vida (AVAC)
dad incremental (MIR 15, 188). Este indicador nos proporciona
información sobre si los costes adicionales, originados por un Unidades monetarias (Euros)
cambio del tratamiento A al tratamiento B, pueden ser justifi- Valora hacer algo- Coste-Beneficio
cados por los beneficios clínicos adicionales obtenidos. Si los No hacer nada (MIR)
costes adicionales originados no superan el umbral de coste-
47
Tipos de análisis de sensibilidad (MIR 18, 216)

U. DE
U. DE INCONVE-
RESUL- VENTAJAS
COSTES NIENTES • Simple: puede ser univariante o multivariante, en función de
TADOS
si se modifica el valor de una o más variables.
No suelen • Análisis umbral: identifica el valor umbral de la variable por
MINI- existir con- encima del cual se modifican los resultados.
MIZA- EUROS Iguales
Sencillo
secuencias
CIÓN DE de realizar • Análisis de extremos: se conocen los resultados al incluir los
equiva-
COSTES valores más favorables y más desfavorables de las variables de
lentes
interés.
No pueden • Análisis probabilístico: a cada variable se le otorga una dis-
compararse tribución de probabilidad, realizando muchas simulaciones y
COSTE- Físicas Resultados progra- obteniéndose una distribución media de valores. P. ej., mé-
EFECTI- EUROS (años de son fáciles mas con todo Montecarlo.
VIDAD vida) de entender diferentes
unidades de
resultados Clasificación de los costes
Es valo-
Valora Costes tangibles
COSTE- EUROS AVAC enfermeda-
ración
UTILIDAD subjetiva de
des crónicas • Directos.
resultados
- No sanitarios: aquellos que inciden sobre pacientes o en-
Compara fermos, pero que no implican factores o recursos sanitarios.
Difícil trans-
progra- Ejemplo: apoyo social, adaptaciones en el hogar, desplaza-
formación
COSTE- EUROS EUROS
mas con
de unidades
miento para buscar atención, etc.
BENEFICIO diferentes
físicas a - Sanitarios (MIR 13, 193; MIR 10, 197): aquellos que
unidades de
monetarias representan factores o productos sanitarios que son uti-
resultados
lizados, consumidos o desgastados. Ejemplo: consumo de
fármacos o material sanitario, salarios del personal sanita-
Tabla 4. Tipos de análisis de evaluación y sus características. rio, etc.
- Negativos: aquellos que representan ahorros en los recur-
Análisis de sensibilidad sos sanitarios. Ejemplos: ahorro en servicios e intervencio-
en evaluaciones farmacoeconómicas nes evitadas, tratamientos sustituidos, etc.
• Indirectos: aquellos derivados de la reducción de la capaci-
Es el estudio del impacto de las variaciones en las variables dad para generar ingresos, la disminución del rendimiento la-
más importantes y/o con mayor incertidumbre en el resultado boral o del aumento de los costes empresariales (MIR 15, 187;
final del estudio. Variables con mayor incertidumbre: costes MIR). Ejemplos: tiempo laboral perdido, productividad redu-
más importantes (hospitalización, pruebas diagnósticas caras), cida…
efectividad, tasa de descuento.
Los resultados serán robustos cuando las modificaciones en el Costes intangibles
valor de las variables con mayor incertidumbre tengan poco
efecto en los resultados. Las modificaciones en las variables de Aquellos no valorables por los mecanismos de precio del
incertidumbre afectarán al coste y a los resultados, modifican- mercado. Ejemplos: miedo, dolor, incomodidad, ansiedad,
do el RCEI. El análisis de sensibilidad estudia cómo se modifica molestias, ocio perdido, etc.
el RCEI modificando las variables de incertidumbre (a mayor En los estudios farmacoeconómicos la perspectiva va a definir el
robustez, menor alteración del RCEI; a menor robustez mayor punto de vista desde donde se realiza el estudio. Dependiendo
alteración del RCEI). de la perspectiva escogida será necesario incluir unos costes u
Ejemplo. El fármaco A tiene un coste medio de 5000 euros y otros. Siempre que sea posible debería elegirse la perspectiva
produce una efectividad media de 3 años de vida ganados; el de la sociedad en global, ya que es la que incluye todo tipo de
fármaco B tiene un coste medio de 6000 euros y produce una costes (MIR 16, 195).
efectividad media de 4 años de vida ganados. Con estos datos,
el RCEI entre los fármacos A y B es = 1000 euros/año vida • Perspectiva hospitalaria: incluye costes directos hospitala-
ganado. Si modificamos el valor de variables incertidumbre que rios (gastos de médicos, investigadores, pacientes, farmacéu-
afecten al coste o la efectividad el RCEI se alterará. Por ejemplo, ticos, dirección hospitalaria).
si el coste del fármaco B subiera a 8000 euros, el RCEI sería = • Perspectiva extrahospitalaria: incluye costes directos
3000 euros/año de vida ganado. extrahospitalarios (ayudas de hogar, traslados en ambulan-
cias…) y costes de administración y aseguradoras.
• Perspectiva de la sociedad: incluye tanto costes directos
como indirectos (falta de productividad del paciente enfermo).
48
Tema 8
Errores en los estudios epidemiológicos
Autores: Carlos Corrales Benítez, H. U. Fundación Jiménez Díaz (Madrid). Elena Masana Flores, H. U. Virgen de las Nieves (Granada). Eduardo Franco
Díez, H. U. Ramón y Cajal (Madrid).
Enfoque MIR 8.2. Errores sistemáticos (sesgos)
Tema con importancia creciente, de moda en los últimos años. Son errores debidos a un diseño inadecuado del estudio.
Últimamente lo más preguntado es el sesgo por factor de confusión
y las técnicas de enmascaramiento, pero todos los sesgos han sido • Consecuencia: afectan a la validez interna del estudio (por
preguntados y por tanto debes dominarlos. lo que, secundariamente, afectan también a la validez externa).
• No se ven influidos por el tamaño muestral (MIR).
Validez y reproducibilidad en los estudios epidemiológicos
Sesgos de selección
Al igual que en un estudio de validación de un nuevo test
diagnóstico, en cualquier estudio epidemiológico se tiene en Aparece cuando existen diferencias en las características
cuenta su validez y reproducibilidad: que tienen los distintos grupos en estudio (aparte de la caracte-
rística estudiada), y dichas diferencias influyen en los resultados
Validez (exactitud) (MIR) (MIR). Por ejemplo, un grupo es más anciano que el otro, lo
que influye en que se mueran más sujetos en dicho grupo.
Grado en que un estudio mide lo que realmente tenía como
Siempre que realizamos un estudio comparando varios grupos,
objetivo medir.
debemos confirmar al inicio del análisis de resultados que
las características de los grupos sean homogéneas (grupos
• La validez interna hace referencia a la exactitud de los re-
“comparables” entre sí (MIR 11, 185; MIR)), en cuyo caso no
sultados para los pacientes del estudio (que los resultados
habrá posibilidad de que existan sesgos de selección.
sean aplicables a la muestra), y depende de que el diseño del
estudio sea correcto (ausencia de sesgos) (MIR 12, 181).
• Solución. La aleatorización (MIR 14, 197) a la hora de
• La validez externa hace referencia a que los resultados sean formar los grupos disminuye las probabilidades de que las
aplicables a la población diana (MIR), y depende de lo re- características de los pacientes se distribuyan de forma dis-
presentativa que sea la muestra de la población (ausencia de homogénea entre los grupos.
errores aleatorios) (MIR 11, 177). La validez interna es un
El análisis de subgrupos y el análisis estratificado per-
prerrequisito de la validez externa.
miten, a posteriori (tras finalizar el estudio), comprobar si las
diferencias en las características de los grupos participantes
Reproducibilidad (fiabilidad, precisión) influyen en los resultados (MIR) (y por tanto si suponen un
sesgo de selección), pero no permiten eliminar el sesgo.
Grado de un estudio de obtener el mismo resultado si se
repitiera en otras muestras distintas en las mismas condiciones.
Depende de lo representativa que sea la primera muestra Ejemplos de sesgos de selección
respecto a la población de la que se obtienen las siguientes
muestras para repetir el estudio (por tanto, de la presencia de • Sesgo de autoselección (del voluntario). Cuando se re-
errores aleatorios) (MIR). cluta a pacientes voluntarios para participar en un estudio,
suelen ser pacientes que no encuentran alivio con los trata-
mientos disponibles y buscan “a la desesperada” una solu-
8.1. Errores aleatorios ción. Dichos pacientes suelen por tanto estar más graves
que la media, lo cual puede afectar a los resultados (cualquier
fármaco tenderá a ser menos efectivo).
El hecho de que estudiemos muestras de individuos y no a la
población completa puede hacer que nuestra muestra no sea • Sesgo del obrero sano. Si para estudiar una enfermedad
representativa de la población. laboral se acude al lugar de trabajo para seleccionar a los
individuos, se infraestimará la frecuencia de enfermedad, ya
• Tipos de errores aleatorios: error de tipo I (alfa) y error de tipo que aquellos sujetos enfermos no estarán trabajando sino
II (beta) (ver tema 3.1. Errores en contraste de hipótesis). de baja.
• Consecuencia: afectan a la validez externa del estudio (no • Sesgo diagnóstico (de Berkson). Sesgo que ocurre cuando
afectan a la validez interna). se seleccionan los individuos de un estudio de entre pacien-
tes hospitalizados, y el factor que se está estudiando es un
• Solución: el aumento del tamaño muestral disminuye el factor de riesgo para hospitalizarse.
riesgo de cometer errores aleatorios y aumenta la potencia
estadística del estudio.
49
Ejemplo: se analiza la posible relación causal entre el VIH no la presentan o viceversa. Por ejemplo, el esfingomanómetro
y los linfomas en pacientes hospitalizados mediante un del estudio está estropeado y siempre marca PAS 150 mmHg;
estudio de casos (pacientes con linfoma) y controles (hos- clasificaremos mal a los sujetos no hipertensos ya que pensare-
pitalizados por otras causas), analizando la frecuencia de mos que son hipertensos.
VIH en cada grupo. Tanto el VIH como los linfomas son
por sí mismos factores de riesgo de ingresar en el hospital
Sesgo de clasificación incorrecta no diferencial
(si un individuo con VIH o con linfoma enferma por otras
causas, es probable que le ingresen porque su enfermedad Aparece por errores en los aparatos de medida que condi-
de base le convierte en un paciente de alto riesgo). Así, cionan el mismo nivel de error en la clasificación de todos los
entre los pacientes “hospitalizados por otras causas” habrá grupos del estudio.
un subgrupo de pacientes cuyo motivo de hospitalización Dichos errores tienden a diluir el efecto de la exposición o
será VIH (mientras que el grupo de pacientes con linfoma tratamiento estudiados, por lo que infraestiman la asociación
ya tienen bastante con su tumor para ingresar). Esto hará (MIR 17, 121; MIR).
que infraestimemos la asociación entre linfoma y VIH, al
encontrar más pacientes VIH en el grupo control. Su solución pasa por mejorar los aparatos de medida (MIR)
(aumentar su S y E).
• Sesgo de incidencia/prevalencia (falacia de Neyman)
(MIR). Sesgo que ocurre en los estudios de casos y contro-
les al estudiar enfermedades que tienen una fase aguda con Sesgo de clasificación incorrecta diferencial
altas tasas de letalidad y una fase crónica posterior (p. ej., Aparece por errores subjetivos de los pacientes o del inves-
IAM, ictus, disección de aorta), ya que sólo podremos estu- tigador a la hora de clasificar las variables resultado de los
diar a los casos “prevalentes” (crónicos que han sobrevivido a pacientes. Estos sesgos suelen aparecer cuando el paciente
la fase aguda) mientras que se nos pasarán desapercibidos los o el investigador conoce a qué grupo pertenece el pa-
casos “incidentes” (agudos que fallecieron). Las característi- ciente, de modo que los pacientes que reciban la intervención
cas de los casos prevalentes pueden ser distintas a las de los experimental o los investigadores pueden interpretar una
casos incidentes y eso tener implicaciones en los resultados. falsa mejoría en variables subjetivas (bienestar, dolor, etc.)
Ejemplo: al analizar la relación causal de la FA con el ictus, respecto de los pacientes del grupo control (que reciben o bien
infraestimaremos la asociación porque los ictus cuya causa nada, o placebo, o un fármaco activo control): la clasificación
es cardioembólica por FA tienen una mayor letalidad que los de las variables es distinta en cada uno de los grupos.
ictus por otras causas. Así, los casos “prevalentes” de ictus Así, este sesgo sobreestima los resultados (MIR 19, 116),
tendrán una prevalencia de FA menor que la del conjunto ya que el grupo experimental verá sus variables resultado
de pacientes con ictus (sumando los casos incidentes y los subjetivas artificialmente mejoradas.
prevalentes). Su solución consiste en emplear técnicas de enmascaramien-
to (ciego) (MIR 11, 234):
• Estudios abiertos (MIR 12, 188). Los pacientes e investiga-

dores conocen qué intervención reciben los pacientes.
• Estudios ciegos (con enmascaramiento) (MIR 13, 187;
MIR).
- Ciego simple: los pacientes no saben qué intervención re-
ciben (si la experimental o el control).
- Doble ciego (MIR 13, 189): no lo saben ni los pacientes ni
los investigadores.
- Triple ciego: no lo saben ni los pacientes, ni los investiga-
dores ni los analistas de los datos (que suelen ser personas
independientes de los investigadores).
Dentro de las técnicas de enmascaramiento, la técnica de

doble simulación o “double dummy” (MIR 12, 190) se
utiliza cuando se realiza un estudio en el que se comparan
dos tratamientos cuya forma de administración (oral, i.v…),
posología (cada 12 h, cada 24 h…) o forma farmacéutica
(comprimidos, cápsulas, supositorios…) son distintos.
Dicha técnica consiste en administrar, en cada uno de los
Figura 1. Jerzy Neyman, matemático polaco del siglo XX. Entre sus aportes a la grupos del estudio, el fármaco que le toca a dicho grupo, y
Epidemiología (además de describir el sesgo que lleva su nombre) se encuentra además el placebo del fármaco que le toca al otro grupo.
el diseño de los estudios de bioequivalencia.
Ejemplos del sesgo de clasificación incorrecta diferencial son:
Sesgos de clasificación (de información, de medida) • Sesgo del entrevistador. Ocurre cuando el investigador no
está enmascarado, y dirige o interpreta de manera incons-
Aparece cuando se clasifica erróneamente una variable en es- ciente la entrevista con el paciente, de modo que parezca por
tudio, pensando que los pacientes que presentan esa variable sus respuestas que ha mejorado.
50
Tema 8 · Errores en los estudios epidemiológicos
• Sesgo de memoria o amnésico (MIR 14, 198; MIR 10, 186). Soluciones a priori del sesgo por factor de confusión
En los estudios de casos y controles, los casos suelen recordar (MIR 18, 210; MIR)
más la exposición al factor de riesgo que los controles.
• Restricción: el FC supone un criterio de exclusión para el es-
• Sesgo de atención o efecto Hawthorne. Los participantes
tudio. Así, ningún paciente (ni del grupo expuesto ni del no
de un estudio pueden actuar de modo distinto del habitual
expuesto) tendrá el FC y éste no podrá influir en los resultados.
simplemente por sentirse observados.
• Apareamiento (MIR 11, 178; MIR): por cada paciente in-
Por ejemplo: un ensayo clínico estudia la eficacia de la rosu-
cluido en el grupo expuesto que posea el FC, incluiremos
vastatina para el tratamiento de la hipercolesterolemia. Todos
un paciente en el grupo no expuesto que lo posea. Así, el
los pacientes deberán seguir una dieta baja en grasas y reali-
porcentaje de pacientes con el FC será el mismo en ambos
zar ejercicio, y a un grupo de pacientes, además, se les admi-
grupos, y se eliminará la influencia del FC sobre la asociación
nistrará rosuvastatina. Los pacientes que sepan que les ha
exposición-enfermedad.
tocado el fármaco experimental realizarán en mayor propor-
ción ejercicio físico que los que sepan que no reciben trata-
miento, ya que tratarán de “ayudar” al fármaco con más La aleatorización puede contribuir a minimizar la posibilidad
ilusión y esperanza para mejorar su salud. de cometer un sesgo por factor de confusión, pero no es un
método que permita controlarlo por sí misma.
Soluciones a posteriori del sesgo por factor de confusión

(MIR)
• Análisis de subgrupos y análisis estratificado: mediante

estos análisis estadísticos podemos calcular exactamente qué
porcentaje del riesgo inicial era atribuible al FC, y por tanto
eliminar dicho riesgo para quedarnos con el riesgo atribuible
únicamente a la exposición estudiada.
• Análisis multivariante: si incluimos como variables inde-
pendientes (xi) de una regresión múltiple tanto a la exposición
como al FC, el coeficiente de cada una de estas variables
quedará “ajustado entre sí”, indicando exclusivamente el
riesgo atribuible a cada variable individual.
Recuerda...
Figura 2. Trabajadoras de la fábrica Hawthorne Works, de la compañía Western El análisis de subgrupos y el análisis estratificado permiten, a
Electric. El efecto Hawthorne recibe su nombre por unos estudios sobre produc-
posteriori, detectar el sesgo de selección (pero no eliminarlo),
tividad industrial realizados en dicha fábrica de la localidad de Cicero (Illinois)
entre 1924 y 1932. El estudio más famoso consistió en comparar la productividad
así como detectar y eliminar el sesgo por factor de confusión.
industrial con iluminación ambiental más alta o más baja, y sus resultados fueron
que la productividad aumentó tanto en el grupo sometido a alta iluminación,
como en el sometido a baja iluminación; fue el hecho de saberse observados el Tanto el sesgo de selección como el sesgo por factor de confu-
que propició que las trabajadoras aumentaran su productividad. sión se sospechan cuando existen diferencias significativas en
alguna característica de los grupos en comparación. Los resul-
tados del análisis de subgrupos o estratificado que realicemos
Sesgo por factor de confusión (FC) permitirán saber si estamos ante un factor de confusión o un
sesgo de selección.
Un factor de confusión es un factor de riesgo para la enfer- El resultado del sesgo de selección se denomina factor modi-
medad en estudio, y que además se asocia estadísticamente ficador del efecto, y actúa (al contrario que el factor de
a la exposición cuya asociación causal con la enfermedad confusión) de forma dependiente a la exposición (potenciando
queremos estudiar (MIR 14, 200; MIR). Además, el factor su efecto). Puede ser además un factor de riesgo independien-
de confusión debe actuar de forma independiente a la te de la enfermedad, pero no tiene por qué serlo.
exposición en cuanto al mecanismo por el que provoca la
enfermedad (no puede ser un paso intermedio en la relación Factor de Factor modificador
exposición-enfermedad). confusión del efecto
Como el FC y la exposición se asocian estadísticamente, los pa-

cientes del grupo expuesto presentarán en mayor proporción
el FC que los pacientes del grupo no expuesto, independien- FR Enfermedad FR Enfermedad
temente del método de selección de la muestra (aunque sea
aleatorizada). Así, al suponer el FC un riesgo para la aparición
de enfermedad, parte del riesgo que atribuyamos a la
exposición se deberá realmente al FC (sobreestimando
pues la verdadera asociación causal). FC FME
El sesgo por factor de confusión es el único que puede
eliminarse a posteriori (MIR 12, 177):
Figura 3. Factor de confusión y factor modificador del efecto.
51
Sesgo de atricción • A todos los pacientes se les debería realizar la nueva prueba
diagnóstica y la prueba gold standard (de otro modo no es
posible conocer la sensibilidad/especificidad real).
En cualquier estudio epidemiológico puede haber pérdidas,
y dichas pérdidas pueden ser de dos tipos: las pérdidas pre- • Los estudios deberían ser siempre enmascarados; no se
aleatorización se producen cuando los pacientes no cumplen debe conocer el resultado del gold estándar al realizar el test
los criterios de selección del estudio, y afectan por tanto a su nuevo, ni viceversa.
validez externa. Las pérdidas post-aleatorización se producen
en los estudios prospectivos tras la asignación del tratamiento,
y pueden afectar a la validez interna. Sesgos de selección en estudios
de validación de pruebas diagnósticas
Cuando existen diferencias en el porcentaje de pérdidas
post-aleatorización de los distintos grupos de un estudio
prospectivo, y las pérdidas no se incluyen en el análisis esta- Afectan específicamente a estudios de validación de pruebas
dístico de los resultados, aparece un sesgo de atricción (MIR). de screening.
Habitualmente, si los dos grupos tienen características homo-
géneas, la diferencia en las pérdidas se deberá a un efecto
adverso del tratamiento experimental por el cual los sujetos de Sesgo de duración de la enfermedad (length-time bias)
dicho grupo abandonan más el estudio que los del otro grupo. (MIR 20, 33)
La solución del sesgo de atricción consiste en estudiar los Sobreestima el efecto de los tests de screening en enfer-
resultados mediante un análisis por intención de tratar en medades leves respecto a las graves. Las enfermedades
lugar de un análisis por protocolo. leves suelen tener una evolución más lenta y por tanto una
mayor duración total que las enfermedades graves (cuya
• Análisis por protocolo (MIR). Sólo se estudian los resulta- evolución suele ser más rápida). Por ello, como los pacientes
dos de los pacientes que finalizan el estudio. Si existe dife- con enfermedades leves viven más años con la enfermedad,
rente proporción de pérdidas entre el grupo experimental y tendrán más posibilidades de ser diagnosticados con pruebas
el control y estas pérdidas se deben a efectos adversos del de screening realizadas con una determinada periodicidad que
fármaco experimental, sobreestimaremos el beneficio del los pacientes con enfermedades graves.
fármaco experimental al no tener en cuenta a los pacientes De este modo, parece que la realización del test y su diagnós-
que tienen que dejar de tomarlo (y por tanto dejan de bene- tico precoz supone un aumento en la supervivencia solo en las
ficiarse de él). enfermedades leves.
Es un peor tipo de análisis y sólo se permite realizarlo en los Este sesgo es mayor a medida que la prueba es menos sensi-
estudios con diseño de no inferioridad (MIR). ble. Las pruebas poco sensibles detectan peor la enfermedad,
tanto los casos leves como los graves. Los casos graves duran
• Análisis por intención de tratar (MIR 13, 188). Se estudian
menos tiempo y por tanto reciben menos número de tests de
los resultados de todos los pacientes reclutados en el estudio
screening (menos probabilidades de ser detectados); sin em-
(todos los pacientes aleatorizados) (MIR), incluyendo a los
bargo los casos leves duran mucho tiempo y reciben varios
pacientes que cursen pérdida o que sean traspasados entre
tests de screening durante la duración de la enfermedad, por
grupos, considerándose cada paciente como perteneciente al
lo que tendrán más probabilidades de ser detectados. Así, se
grupo al que fue aleatorizado (p. ej., un paciente aleatorizado
sobreestima aún más la ventaja del screening en las enferme-
a tratamiento médico al que finalmente se somete a cirugía
dades leves respecto a las graves.
por fracaso del tratamiento médico se considera un fracaso
del tratamiento médico y no un éxito de la cirugía). Permite
estudiar la causa de las pérdidas y el efecto global del fár-
maco teniendo en cuenta que un porcentaje de pacientes no
se lo tomará (situación que simula a la que se observará en la
práctica clínica real una vez se comercialice el fármaco).
Es el mejor tipo de análisis y el único permitido en los estudios
con diseño de superioridad.
8.3. Sesgos específicos de los estudios de

validación de pruebas diagnósticas
Realización de Realización de
Existen sesgos específicos cuando intentamos testar la validez screening screening
de una nueva prueba de diagnóstico, mediante su compara-
ción con la prueba gold standard (ver tema 5. Estudios de Figura 4. Sesgo de duración. Representamos a 4 sujetos con una enfermedad,
validación de una prueba diagnóstica). que puede tener curso leve (en verde, con larga duración) o curso grave (en
rojo, con duración corta de la enfermedad). La realización de screening es
De modo general, para prevenir estos sesgos se deben cumplir capaz de detectar a todos los casos leves (incluso al segundo paciente lo detec-
las mismas premisas que para el resto de estudios. De manera taríamos en las dos pruebas de screening), pero solo a uno de los casos graves
particular, en estos estudios es importante lo siguiente:
• El estudio se debe realizar en la población diana a la que va Sesgo de sobrediagnóstico

dirigida la nueva prueba diagnóstica.
Si el tiempo de evolución hasta la aparición de síntomas tiende
a aproximarse a los años de vida del paciente, una enfermedad
52
Tema 8 · Errores en los estudios epidemiológicos
(p.ej. cáncer de próstata en un hombre de 100 años) detectada Sesgo de verificación o de validación (MIR 19, 130)
por una prueba de screening supone un sobrediagnóstico: su
Ocurre en estudios retrospectivos. En la práctica clínica
detección no aporta beneficios al paciente, ya que iba a fallecer
habitual, a los pacientes que dan positivo en las pruebas
por otra causa sin llegar a presentar síntomas.
diagnósticas iniciales se les realizan pruebas adicionales (más
Por tanto, se infraestima la utilidad del test. específicas) para confirmar el diagnóstico, mientras que a los
pacientes que dan negativo, en cambio, no se les realizan
más pruebas. Esto hace que sea imposible calcular de manera
Sesgo del voluntario sano
correcta la sensibilidad y especificidad de las pruebas iniciales
Habitualmente, los sujetos que se presentan como volunta- (no sabemos el total de enfermos ni de sanos, al no haber
rios a estudios de pruebas de screening son personas más hecho la prueba gold standard en los pacientes negativos);
comprometidas con su estado de salud y a cooperar para sólo permitirá calcular su valor predictivo positivo (en los
mejorarla. Esto lleva a que, independientemente del cribado, pacientes que dieron positivo sí hemos realizado el test gold
estos pacientes tengan una expectativa de vida mayor (hábitos standard y sabemos cuántos son enfermos y cuántos sanos).
de vida más saludables). Si realizamos estudios prospectivos, en cambio, podremos in-
El efecto de este sesgo actúa, por tanto, sobreestimando el cluir en el protocolo del estudio que se realizará la prueba gold
efecto del screening. standard en todos los pacientes, sean positivos o negativos en
¡OJO! No confundáis este sesgo con el sesgo de autoselección el test diagnóstico que queremos validar; esto evitará incurrir
(del voluntario) en los ensayos clínicos; en dicho caso, los pa- en un sesgo de verificación.
cientes que suelen prestarse a participar en los ensayos clínicos
son los más graves (se infraestima la eficacia del tratamiento
Sesgo de sospecha diagnóstica
experimental).
Sobreestima el efecto del test diagnóstico. Ocurre en estudios
tanto prospectivos como retrospectivos, cuando no se en-
Sesgos de clasificación en estudios mascara el resultado del gold standard a los evaluadores de
de validación de pruebas diagnósticas los resultados del test diagnóstico que estamos evaluando, o
viceversa. Conocer el resultado de un de las pruebas puede
influir en la interpretación de la otra prueba realizada sobre el
Son sesgos de clasificación incorrecta diferencial. mismo paciente. Este sesgo se corrige enmascarando dichos
resultados.
Sesgo de adelanto diagnóstico (lead-time bias) Por ejemplo, si un médico debe decidir si una prueba diagnós-
tica con componente subjetivo (por ejemplo una radiografía
Ocurre cuando realizamos pruebas diagnósticas de screening de tórax) es positiva o negativa, y conoce que previamente al
a pacientes en fase pre-clínica. En este caso estamos realizando sujeto se le realizó otra prueba que dio positivo, tendrá mayor
un diagnóstico cuando el paciente está todavía asintomático tendencia a informar la radiografía de tórax también como
y, por tanto, la duración confirmada de la enfermedad será positiva en los casos dudosos.
mayor que si realizásemos la prueba solamente a pacientes que
ya están en fase clínica. Así, se alarga el tiempo que el paciente
vive con la enfermedad cuando hemos realizado un test del
screening, y con ello parece que mejora la supervivencia.
Este sesgo sobreestima el efecto que tiene el método de
screening, pareciendo que aumenta la supervivencia de la en-
fermedad, cuando en realidad lo que aumenta es el tiempo en
que somos conscientes de la presencia de la enfermedad.
Diagnóstico por
aparición de
síntomas a los
Sin screening 73 años
Muerte a
los 75 años
Inicio Supervivencia
del cáncer a 5 años = 0%
Diagnóstico por
test de
screening a los
Con screening 65 años
Muerte a
los 75 años
Inicio Supervivencia
del cáncer a 5 años = 100%
Figura 5. Sesgo de adelanto diagnóstico.
53
Error Consecuencia Solución
Errores aleatorios Validez externa n
Errores sistemáticos Validez interna Validez externa Mejorar diseño
Selección Habitualmente infraestima Aleatorización

Clasificación incorrecta no diferencial Infraestima la asociación Mejorar aparatos de medida
Clasificación incorrecta diferencial Sobreestima la asociación Enmascaramiento
Factor de confusión Sobreestima la asociación A priori:
- restricción
- apareamiento
A posteriori:
- análisis de subgrupos
- análisis estratificado
- análisis multivariante
Atricción Sobreestima la asociación Análisis por intención de tratar
Figura 6. Errores en los estudios epidemiológicos.
54
Valores normales en
Estadística y Epidemiología
CONCEPTO VALORES NORMALES
Significación estadística (error α) p <0,05
Error β β <0,2
Potencia Potencia >0,8
Intervalo 68% (de confianza en est. inferencial) μ +/- σ (eem en inferencial)
Intervalo 95% (de confianza en est. inferencial) μ +/- 2σ (2eem en inferencial)
Intervalo 99% (de confianza en est. inferencial) μ +/- 2,5σ (2,5eem en inferencial)
EEM EEM = σ / √n
NNT NNT = 100 / RAR
Límite de no inferioridad (δ = delta) Habitualmente δ = 20%
Tabla 1. Valores normales en Estadística y Epidemiología.
55
Reglas mnemotécnicas
Estadística y Epidemiología
Regla mnemotécnica
Para recordar el error alfa: α-fetoproteína (α-FP).
El error tipo α es un resultado falso positivo (FP).
56
BIBLIOGRAFÍA
• Manual de Epidemiología y Salud Pública para grados en ciencias de la salud, 3.ª edición. I Hernández-Aguado, B Lumbreras
Lacarra. Editorial Médica Panamericana, 2018.
• Métodos de investigación clínica y epidemiológica, 4.ª edición. JM Argimón Pallás, J Jiménez Villa. Elsevier España, 2012.
• El método estadístico en la investigación médica, 6.ª edición. JL Carrasco de la Peña. Ciencia 3 Distribución, 1995.
57
NOTAS

Sedes
Oviedo
Bilbao
Santiago
Navarra
Valladolid Zaragoza
Barcelona
Salamanca
Madrid
Valencia
Albacete
Alicante
Córdoba Murcia
Sevilla
Granada
Málaga
Las Palmas
de Gran Canaria


Estadistica 14 A Edicion

Cargado por

Información del documentohacer clic para expandir la información del documento

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Estadistica 14 A Edicion

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica 14 A Edicion

Cargado por

Copyright:

Formatos disponibles

CURSOS MÉDICOS 2022

ACADEMIA DE ESTUDIOS MIR, S.L.

DISEÑO, MAQUETACIÓN E ILUSTRACIONES

Nuestra mayor gratitud a Alberto Argón, alumno AMIR,

La protección de los derechos de autor se extiende tanto al contenido redac-

Este manual ha sido impreso con papel ecológico,

DIRECCIÓN FRANCO DÍEZ, EDUARDO (7) SÁNCHEZ VADILLO, IRENE (4)

RELACIÓN GENERAL DE AUTORES

VALORES NORMALES EN ESTADÍSTICA Y EPIDEMIOLOGÍA...................................................................................55

REGLAS MNEMOTÉCNICAS ESTADÍSTICA Y EPIDEMIOLOGÍA...............................................................................56

Charles Spearman (Londres, 1863-1945), a quien hoy recordamos por el

Uno de los temas menos importantes de la asignatura, con 0-1

1.1. Técnicas de muestreo estadístico Muestreo aleatorio sistemático

Muestreo por conglomerados

Muestreo de casos consecutivos (MIR) Variables cuantitativas

Muestreo de conveniencia o accidental Variables cuantitativas discretas

En este tipo de muestreo el investigador incluye grupos de

Hacen referencia a características que no se expresan mediante

Representación de variables cualitativas y cuantitativas

Diagrama de barras 1.3. Medidas de análisis de los datos

Medidas de tendencia central

Informan acerca de cómo se agrupan los distintos valores

La más utilizada, principalmente en distribuciones simétricas.

Cuando analizamos los resultados, una variable cuantitativa en

Desviación típica (desviación estándar, σ)

Para calcular la desviación típica es necesario realizar una ar-

Rango (recorrido) La mediana ocupa la posición central de una distribución,

Medidas de forma de una distribución Definición de una curva de distribución normal

• El intervalo –x ± σ comprende el 68% de los valores centrales

% Se aplica a variables cuantitativas discretas o cualitativas, y

2,5% 95% 2,5% Distribución de Poisson

Es un caso particular de la distribución binomial que se utiliza

% Muestra prob. Población

La inferencia de variables cuantitativas (medias) era pregun-

Recuerda... Figura 1. Estadística descriptiva (izquierda) y estadística inferencial (derecha).

La Estadística inferencial estima cómo serían los

Al igual que al expresar los resultados de la muestra se utilizan

• IC del 68% = P(A) ± eep

Además, necesitamos otro dato que depende del tipo de

• La medida de tendencia central [porcentaje poblacional =

Enfoque MIR REALIDAD

Tabla 1. Contraste de hipótesis en estudios con diseño de superioridad.

3.1. Errores en contraste de hipótesis Diseño de no inferioridad

Paramétrico t Student ANOVA

t Student para ANOVA para

Tests para estudios de asociación entre variables y

• Valor absoluto >0,7: correlación fuerte (MIR 14, 192).

• Regresión de Cox: método de regresión que se utiliza en el

Correlación (MIR 15, 186)

• Kaplan-Meier: utilizado para “calcular” las curvas de supervi-

vencia (MIR 18, 214; MIR 12, 174).

Figura 1. Unión de probabilidades.

• Probabilidad: medida de la verosimilitud de que un determi- Intersección de probabilidades (∩) (MIR)

• Sucesos independientes: la probabilidad de que ocurra uno

p(A ∪ B) = p(A) + p(B) − p(A ∩ B)

p(sólo A ó B) = p(A) + p(B) − 2 · p(A ∩ B)

es distinta). El cambio en condiciones que afectan a la validez