Archivo de la categoría: Uncategorized

La Odds ratio como medida del riesgo o de la protección ante la violencia de género

En Medicina es muy usual el uso de la Odds ratio. Sin embargo, es sorprendente ver que en ciertos ámbitos no se usa en absoluto.
El artículo del que a continuación muestro el abstract es una interesante muestra para ver que estamos ante un concepto general con una utilidad amplísima.

20140109-174838.jpg

Observemos especialmente los valores siguientes:

OR=0.14 (IC 95%=(0.06, 0.34)). Esta Odds ratio cuantifica y estima la asociación entre ser caucásica y sufrir violencia de género. Respecto a no ser caucásica. Al ser una Odds ratio menor que 1 y significativa (el intervalo de confianza no incluye al 1), podemos decir que ser caucásica relativamente a no serlo es un factor de protección. Evidentemente, no serlo es un factor de riesgo, claro.

OR=0.10 (IC 95%=(0.04, 0.24)). Esta Odds ratio cuantifica la asociación entre ser soltera o viuda respecto a ser separada o divorciada. Se trata de un factor de protección, lo primero. Además, como es 0.1 podemos decir que se estima que estar separada o divorciada es un riesgo 10 veces mayor de sufrir violencia de género, respecto a ser soltera o viuda.

OR=0.09 (IC 95%=(0.04, 0.21)). Esta Odds ratio cuantifica la asociación entre ser casada o tener pareja estable respecto a ser separada o divorciada. Se trata de un factor de protección, también, lo primero. Además, como es 0.09, que es casi 0.1, como antes, podemos decir que se estima que estar separada o divorciada es, también, un riesgo 10 veces mayor de sufrir violencia de género, respecto a estar casada o con pareja estable. O, dicho de otro modo, que estar casada o en pareja estable es un factor de protección 10 veces mayor que estar separada o divorciada.

Para ver el cálculo de la Odds ratio, ver el tema Tema 9 de esta blog, o ver el tema La Odds ratio y el Riesgo relativo y sus intervalos de confianza.

Anuncios

Situación 38: Un problema de ANOVA

Estamos estudiando qué elementos introducen más variación a la hora de medir la altura de pacientes ancianos con problemas de osteoporosis. Para ello cogemos una anciana voluntaria predispuesta a ser medida en muchas ocasiones. Usamos dos sistemas de medida: un sistema fotoeléctrico y el de la típica cinta métrica. También escogemos al azar a cuatro alumnos de la asignatura de Reumatología en la facultad de Medicina para que hagan las medidas. Con ello queremos valorar la contribución a la variabilidad de la medida que aporta la persona que la haga. Estos alumnos no saben que forman parte de este experimento. En tres semanas sucesivas se les pide, durante las prácticas, que midan a muchos y muchas ancianas en las consultas externas. Lo que no saben es que han medido de las dos formas distintas a la misma anciana tres veces. Esto se hace para que no puedan recordar la medida dada en una semana anterior. La medida se pedía que se diera en milímetros. Los resultados obtenidos fueron los siguientes:

IMG_6967

Hacer un ANOVA. Primero un ANOVA intuitivo, pensándolo, intentando ver en los datos qué nos podría dar un ANOVA calculado con un software estadística. Luego, hacer un ANOVA mediante un software y mediante el modelo adecuado.

 

Ejemplo de cálculo del Valor predictivo positivo y del Valor predictivo negativo

Supongamos que un índice intenta predecir el síndrome de la muerte súbita con una sensibilidad del 68% y una especificidad del 82%. Calcular el Valor predictivo positivo y el Valor predictivo negativo de este índice si se aplica a una población donde se producen un 0.21% de muertes súbitas sobre el total de nacimientos.

Veamos cómo podemos, a partir de los datos que tenemos, plantear el problema planteado como un caso donde aplicar el Teorema de las probabilidades totales y el Teorema de Bayes (Ver “Teorema de las probabilidades totales y Teorema de Bayes” en el apartado de Complementos):

IMG_5116

Una vez planteada esta información podemos aplicar ambos teoremas. Primero, mediante el Teorema de las probabilidades totales, calcularemos la P(+). Luego, mediante el Teorema de Bayes, calcularesmo el Valor predictivo positivo (VPP) y el Valor predictivo negativo (VPN).

Veamos cómo son estos cálculos:

IMG_5118

Es un ejemplo interesante para ver cómo la sensibilidad y la especificidad no son, muchas veces un criterio suficiente para evaluar el uso de un determinado mecanismo diagnóstico. Hemos visto en el artículo “Sensibilidad, Especificidad, Valor predictivo positivo, Valor predictivo negativo” que una baja prevalencia en una patología hace bajar mucho el Valor predictivo positivo. Y si este valor es bajo, por mucha sensibilidad y especificidad que tengamos transforma el procedimiento diagnóstico es inoperante, porque difícilmente nos podremos fiar de un valor positivo.