Sr. Editor:
En un número reciente de esta revista se publicó un importante artículo que informó las medias aritméticas de la frecuencia cardíaca y sus desviaciones estándar, antes y después de realizar una prueba de esfuerzo, entre mujeres y varones con obesidad1. A partir de estos datos se estimaron los valores de la prueba estadística t de student para muestras independientes, que es de mayor uso en las ciencias de la salud. Esto permite realizar dos ejemplos de reanálisis bayesiano2, en base a los valores de las pruebas estadísticas (t=1,925; t=0,918) y los datos muestrales (45 mujeres y 22 varones), respectivamente, antes y después de realizar la prueba esfuerzo1.
El método del factor de Bayes es referido como la probabilidad de los datos bajo una hipótesis en relación con la otra (hipótesis nula vs. hipótesis alterna)2,3. Es decir, que el factor Bayes estima la cuantificación del grado o evidencia en que los datos apoyan tanto la hipótesis nula (no diferencia) como la hipótesis alterna (diferencia) para su contraste2,3. Este método brinda información adicional más allá de la interpretación dicotómica del rechazo o aceptación de la hipótesis nula, cuya interpretación está basada en el esquema de clasificación de valores de Jefreys4: débil, moderado, fuerte, muy fuerte y extrema (Tabla).
El factor Bayes considera dos interpretaciones: FB10 (a favor de la hipótesis alternativa de significación) y FB01 (a favor de la hipótesis nula), con un intervalo de credibilidad (IC) del 95%5. Los resultados obtenidos evidenciaron: FB10 = 1,225 y FB01= 0,816 con IC 95% (-0,020 a 0,560) antes de realizar la prueba de esfuerzo, y FB10=0,376 y FB01=2,662 con IC 95% (-0,155 a 0,412) después de esta, con respecto a la comparación de la frecuencia cardíaca según género. La primera inferencia bayesiana refiere una evidencia débil a favor de la hipótesis estadística alterna (diferencia). El segundo hallazgo del factor Bayes presentó un grado de evidencia débil a favor de la hipótesis nula (no diferencia). Estos resultados no confirman con precisión una posible diferencia de medias según género, y refieren un nivel de incertidumbre (error aleatorio) debido a la insensibilidad de los datos.
También se encuentran los parámetros del factor Bayes máximo (maxBF10=1,495 y maxBF10=0,999) para determinar la estabilidad de los resultados, cuyos valores similares fortalecen la precisión de las estimaciones de la reevaluación bayesiana.
Este factor es de gran utilidad en otros análisis y reanálisis estadísticos que se basan en las pruebas de significación en las ciencias de la salud6-8. Esta alternativa metodológica es más idónea para futuros artículos con pequeños tamaños, o con pocos participantes con diagnóstico clínico de interés para esta revista, debido a que las estimaciones mediante las pruebas de significación presentan un poder estadístico limitado (menor probabilidad de rechazar la hipótesis nula cuando es falsa), mayor nivel de error aleatorio, y una mayor prevalencia de obtener falsos positivos9.
Aunque se ha recomendado informar el «tamaño de efecto» -medida de la fuerza de un determinado fenómeno- para reforzar las pruebas de significación estadística, aún no hay un consenso claro de las pautas de interpretación de sus tamaños, estos criterios varían entre las diversas áreas y subdisciplinas de las ciencias de la salud, debido al tipo de investigación, las medidas específicas utilizadas y las poblaciones de interés9-10.
Por ejemplo, un artículo que examinó la distribución de esta variable que se comenta, determinó que la interpretación de los tamaños de efecto de Cohen11 está sesgada, en base a 297 medidas extraídas de estudios de casos y controles de variabilidad de la frecuencia cardíaca12. Esta investigación precisó los criterios de interpretación de tamaño de efecto según los percentiles 25, 50 y 75, que precisan valores de efecto: pequeño (0,26), mediano (0,51) y grande (0,88).
En la investigación en cardiología no hay un estándar propuesto por la literatura científica para cada subdisciplina particular, ante estas cuestiones el uso del factor Bayes es un gran aporte metodológico para este ámbito; pues también es útil en la planificación de la investigación para detectar un mínimo tamaño muestral que estime la probabilidad bayesiana de obtener resultados poco confiables (FB10 < 3), e incluir datos muestrales que afiancen el poder estadístico de futuros estudios, que se publiquen en esta revista, y favorezcan su replicación. Asimismo, se recomienda estimar una evidencia concluyente o superior (FB10 > 10) para garantizar una mayor certeza de la confirmación de la hipótesis alterna en relación a los datos5.
En conclusión, la inferencia bayesiana es esencial para precisar el grado de fuerza probatoria de las hipótesis estadísticas más allá de los marcos referidos, de forma tal que permita tomar decisiones clínicas importantes a partir de los resultados obtenidos sobre la salud de los pacientes en futuras investigaciones de la presente revista.