SciELO - Scientific Electronic Library Online

 
vol.11 issue2Network Analysis in Clinical Research in the COVID-19 ContextMicroalbuminuria in the Early Diagnosis of Kidney Damage in Diabetic Patients author indexsubject indexarticles search
Home Pagealphabetic serial listing  

My SciELO

Services on Demand

Article

Indicators

  • Have no cited articlesCited by SciELO

Related links

  • Have no similar articlesSimilars in SciELO

Share


Revista Finlay

On-line version ISSN 2221-2434

Rev. Finlay vol.11 no.2 Cienfuegos Apr.-June 2021  Epub June 30, 2021

 

Carta al editor

Replicación bayesiana de los efectos de riesgo de mortalidad y morbilidad en la investigación de enfermedades crónicas

Bayesian Replication of Mortality and Morbidity Risk Effects in Chronic Disease Research

0000-0002-3417-5701Cristian Antony Ramos Vera1  * 

1Facultad de Ciencias de la Salud. Universidad César Vallejo. Lima. Perú.

Señor Editor:

Las investigaciones clínicas reportadas en la presente revista emplean el marco estándar de las estadísticas frecuentistas basado en las hipótesis de significancia (p < 0,05). Este método presenta los resultados como "significativos" o "no significativos", dicotomía que ha sido cuestionable. Por lo cual es importante el uso del enfoque bayesiano, como una forma mejorada de extraer conclusiones estadísticas a partir de datos clínicos, dado que facilita que la probabilidad del efecto sea concluyente según los datos. Esta probabilidad brinda una mayor validez a las conclusiones significativas. Asimismo, este enfoque permite una correcta estimación e interpretación de los intervalos de confianza dados los datos a diferencia de los intervalos frecuentistas.

La inferencia bayesiana permite la replicación de los hallazgos clínicos mediante el factor de Bayes (FB), que es referido, como la probabilidad de los datos bajo una hipótesis en relación con otra (hipótesis nula vs hipótesis alterna). 1,2 Dada la información previa de los datos es útil para los estudios que integren enfermedades crónicas para que reporten el grado de evidencia de diferentes magnitudes de efecto, como por ejemplo la asociación de riesgo de los factores más comunes a la morbilidad y mortalidad. En tales casos el uso del FB como replicación estadística de hallazgos significativos que reporten una evidencia concluyente (fuerte) o superior (FB10 > 10) brinda un mayor reforzamiento de la credibilidad práctica (estudios retrospectivos, casos y controles, experimentales, entre otros) a partir de la interpretación de clasificación de valores de Jefreys 3 para el FB: débil, moderada, fuerte, muy fuerte y extrema (Tabla 1).

Tabla 1 Valores de interpretación cuantificable del factor Bayes 

Nota: Creación propia según la escala de clasificación de Jeffreys 3

Se consideraron dos estudios con muestras de enfermedades oncológicas publicados en la presente revista para la replicación bayesiana. El estudio más reciente refiere una asociación significativa del índice mitótico (≥ 6mm2) y el riesgo de mortalidad en pacientes con melanoma cutáneo mediante la medida de Odd Ratios (OR = 5,76). 4 La otra investigación evidenció una relación significativa de riesgo del consumo de la píldora anticonceptiva en el cáncer de mama en pacientes con esta enfermedad oncológica (OR = 3,1). 5

Se realizó la conversión de tamaño de efecto (OR) a coeficiente de relación (r), mediante una calculadora online. 6 El efecto convertido del primer artículo en cuestión presentó un valor de r = 0,435 mientras la segunda estimación precisó un coeficiente de r = 0,297. Tales estimaciones obtenidas y los datos muestrales respectivos fueron considerados para evaluar el FB.

La propuesta metodológica inclusiva es útil para afianzar futuros análisis y reanálisis bayesianos con hallazgos significativos, mediante el FB, que consta de dos interpretaciones: FB10 (a favor de la hipótesis alternativa) y FB01 (a favor de la hipótesis nula) y el intervalo de credibilidad al 95 %. 1,2) Se recomienda el uso del Manual de Goss-Sampson7 que presenta el uso del FB en los análisis estadísticos más comunes en la investigación de enfermedades crónicas de manera comprensible para los profesionales de las ciencias de la salud.

Los resultados obtenidos fueron: FB10 = 9890 y FB01= 0,0001 e IC95 % [0,267 a 0,569], y FB10 = 448 y FB01= 0,0022 e IC95 % [0,159 a 0,419], estos hallazgos respaldaron los resultados reportados por González Velázquez y cols. 4 y Sánchez Delgado y Sánchez Lara (5 respectivamente, con una evidencia extrema a favor de ambas hipótesis alternas de correlación. Así también, los valores del factor Bayes máximo reportaron magnitudes mayores que avalan la confiabilidad de la replicación bayesiana.

En conclusión, el FB es un gran aporte metodológico que presenta una implicancia práctica en la toma de decisiones importantes a partir de la confirmación de resultados que sean eficazmente concluyentes, de mayor implicancia en el contexto de COVID-19, dado que las enfermedades crónicas son de mayor riesgo a la comorbilidad y mortalidad.

Referencias Bibliográficas

1.  Marsman M, Wagenmakers EJ. Bayesian benefits with JASP. Eur J Dev Psychol. 2017;14(5):545-55. [ Links ]

2.  Ly A, Raj A, Etz A, Marsman M, Gronau QF, Wagenmakers EJ. Bayesian reanalyses from summary statistics: a guide for academic consumers. Adv Meth Pract Psychol Sci. 2018;1(3):367-74. [ Links ]

3.  Jeffreys H. Theory of Probability. Oxford:Oxford University Press;1961. [ Links ]

4.  González VE, Roque L, Pedraza EM, Rodríguez LL, González M. Factores pronósticos de mortalidad en pacientes con melanoma maligno cutáneo. Finlay[Internet]. 2021[citado 7 Abr 2021];11(1):[aprox. 8p.]. Disponible en: https://revfinlay.sld.cu/index.php/finlay/article/view/868/19374.  . [ Links ]

5.  Sánchez JA, Sánchez NE. Agregación familiar y factores de riesgo de cáncer de mama en individuos afectados. Finlay[Internet]. 2020[citado 7 Abr 2021];10(2):[aprox. 5p.]. Disponible en: https://www.revfinlay.sld.cu/index.php/finlay/article/view/7705.  . [ Links ]

6.  Lenhard W, Lenhard A. Calculation of Effect Sizes[Internet]. Germany:Scientific Research;2015[citado 7 Abr 2021]. Disponible en: Disponible en: https://www.scirp.org/(S(czeh2tfqyw2orz553k1w0r45))/reference/ReferencesPapers.aspx?ReferenceID=1776385. 6.  [ Links ]

7.  Goss MA. Bayesian Inference in JASP: A Guide for Students. Amsterdam:University of Amsterdam;2020[citado 7 Abr 2021]. Disponible en: Disponible en: https://jasp-stats.org/2020/05/19/bayesian-inference-in-jasp-a-new-guide-for-students/. 7.  [ Links ]

Recibido: 07 de Abril de 2021; Aprobado: 20 de Abril de 2021

*Autor para la correspondencia: cristony_777@hotmail.com

El autor declara la no existencia de conflictos de intereses relacionados con el estudio.

1. Conceptualización: Cristian Antony Ramos Vera.

2. Curación de datos: Cristian Antony Ramos Vera.

3. Análisis formal: Cristian Antony Ramos Vera.

4. Adquisición de fondos: Esta investigación no contó con la adquisición de fondos.

5. Investigación: Cristian Antony Ramos Vera.

6. Metodología: Cristian Antony Ramos Vera.

7. Administración del proyecto: Cristian Antony Ramos Vera.

8. Recursos: Cristian Antony Ramos Vera.

9. Software: Cristian Antony Ramos Vera.

10. Supervisión: Cristian Antony Ramos Vera.

11. Validación: Cristian Antony Ramos Vera.

12. Visualización: Cristian Antony Ramos Vera.

13. Redacción del borrador original: Cristian Antony Ramos Vera.

14. Redacción revisión y edición: Cristian Antony Ramos Vera.

Creative Commons License