1

Tema 1 Metodología de la investigación: diseño de estudios sanitarios, estadística aplicada a las ciencias de la salud, evaluación de resultados

AUTORES:

Azucena Aldaz: Servicio de Farmacia de la Clínica Universitaria de Navarra

Ana Ortega: Servicio de Farmacia de la Clínica Universitaria de Navarra

Resumen

Resulta evidente, el peso creciente que la investigación científica tiene en la

práctica asistencial, ya que muchas actuaciones se basan en guías clínicas y

éstas lo hacen fundamentalmente en los resultados de ensayos clínicos y en

menor medida de otro tipo de estudios. La Farmacia hospitalaria no puede

quedar al margen de esta realidad por lo que se debe hacer un esfuerzo

importante en la formación adecuada, de manera que se disponga de

profesionales cualificados para investigar y por tanto avanzar en el

conocimiento de nuestra disciplina.

1. Introducción

La Farmacia Hospitalaria es una ciencia de la salud y como tal incrementa y

modifica su cuerpo de conocimiento a medida que incorpora los resultados

derivados de una investigación de calidad.

No cabe duda que el escenario sanitario se ha transformado en la última

década de forma importante, virando hacia la cronificación de algunas

patologías y a la atención de pacientes añosos. Éstos últimos, como es lógico,

presentan en general mayor morbilidad y número de patologías asociadas.

Todo ello ha llevado a una farmacoterapia más compleja, con mayor número de

fármacos por paciente, mayor posibilidad de producirse interacciones

farmacológicas, mayor necesidad de ajustes posológicos, etc.

Este nuevo escenario, requiere conocimientos y habilidades específicos que no

sólo deben incorporarse a la práctica profesional si no que además requieren

2

ser contrastados. La investigación resulta clave, una vez más, para dar

soluciones a las múltiples nuevas incógnitas generadas.

No es debatible ya si debemos incorporar a la rutina de trabajo la investigación,

si no que el debate debe centrarse en conocer como es la mejor manera de

hacerlo y formarnos adecuadamente para ello. La clave es trabajar en un

ambiente controlado, en el que se puedan manejar racionalmente los datos que

acumulamos continuamente y valorarlos con un objetivo concreto. Es decir,

trabajar con calidad generando datos “creíbles” y representativos y gestionar la

información con herramientas apropiadas y formulando previamente las

preguntas oportunas.

En este capítulo, pretendemos de una manera breve y sencilla describir el

proceso básico de investigación y comentar las herramientas mínimas

necesarias para realizarla.

2. Proceso de investigación científica

El proceso de investigación se inicia cuando se buscan explicaciones o

soluciones a sucesos de la práctica profesional, que requieren una reflexión,

que se viven como un problema o como una necesidad de mejora. En

ocasiones, el proceso también se inicia por la necesidad de contrastar una

información generada en otro ambiente y que se considera una opción a

incorporar en la rutina asistencial. Esto último es muy importante, ya que en

ocasiones se incorporan algoritmos de decisión, o sistemas de clasificación sin

conocer la desviación que pueden presentar en otro escenario, un ejemplo de

ello lo hemos vivido recientemente con la vancomicina. ¿Acaso nuestra

situación es como la de Estados Unidos?, ¿Con seguridad no se tiene éxito en

el tratamiento de una bacteriemia por un germen gram positivo que muestre

CMI (concentración mínima inhibitoria) igual a 2 mcg/mL?. Cada aspecto de

nuestra labor asistencial plantea numerosas cuestiones que deberían ser

aclaradas, con el objetivo de mejorar a través del incremento en un

conocimiento veraz.

Esto es especialmente importante de valorar. La investigación clínica aplicada

debe discurrir de forma paralela con la práctica asistencial, debe dar respuesta

3

a la problemática actual y permitir avanzar en tiempo razonable en el cuidado

de los pacientes. En eso reside una de las mayores diferencias con la

investigación básica.

Generalmente los grandes avances vienen determinados por los resultados de

los ensayos clínicos multicéntricos aleatorizados, que según se ha

consensuado, suponen la piedra angular de la evidencia científica. Sin

embargo, no se debe minimizar la importancia de la investigación

independiente, más modesta y con mucha mayor riesgo de sesgo por los

pequeños tamaños muestrales y la falta habitual de aleatorización de los

pacientes, ya que representa un escenario mucho más real de la atención

sanitaria.

No es inhabitual en los últimos años acudir a reuniones científicas en las que

ponentes de muchos años de ejercicio profesional únicamente hacen

referencia a ensayos clínicos promovidos por la industria farmacéutica sin dar

datos de su práctica clínica, de años y años, en la que los pacientes que

atienden habitualmente no han quedado recogidos en ninguno de los ensayos

clínicos mencionados. Así por ejemplo, tal y como se debate en una reciente

publicación de Pocock SJ., y col., en el ensayo SPRINT (ensayo aleatorizado

que compara el efecto del tratamiento intensivo versus el tratamiento estándar

en el control de la presión arterial) se excluyeron pacientes con edad inferior a

50 años y aquellos con historia de diabetes mellitus tipo II o con historia de

accidente cerebro vascular previo. Ello significa que los resultados de este

ensayo sólo se podrían aplicar sobre aproximadamente un 20% de los

pacientes que se atienden en la práctica.

Por eso, no hay que minimizar los resultados derivados de investigaciones

propias de la rutina asistencial, en su mayor parte correspondientes a estudios

observacionales retrospectivos. Lo que hay que exigir es que dichas

investigaciones se realicen con rigor científico, con honradez y sin omitir

resultados, aunque los mismos hayan sido negativos.

El punto de partida es la génesis de una hipótesis realista y plausible generada

tras una profunda revisión del tema a estudio.

2.1 Hipótesis

4

Las hipótesis que generamos pueden ser de dos tipos: cuantitativas o

deductivas y cualitativas o inductivas. En el primer caso se debe partir de una

teoría ya existente y mediante una muestra representativa de la población o del

fenómeno que se quiere analizar, contrastarla. Este método de investigación se

denomina deductivo. En el segundo caso, sin embargo, se parte de

observaciones recogidas y siguiendo una metodología cualitativa se plantean

unas series de proposiciones que pueden dar cuerpo a una nueva teoría.

En la metodología de investigación estamos acostumbrados a hablar de

hipótesis nula (Ho) que es la hipótesis que en principio se busca rechazar y de

hipótesis alternativa (H1) que es la propuesta por el investigador en contraste

con la nula.

El enunciado de la hipótesis, es decir el argumento básico de la investigación,

debe redactarse con un lenguaje claro, directo, sencillo y generalmente sigue el

modelo de “si/luego” es decir se enuncia una posibilidad (si….) y se adelanta

un resultado asociado a dicha posibilidad (luego…).

Se debe tener en cuenta que la hipótesis debe ser demostrada y que las

pruebas para demostrarla deben poder replicarse.

Por ello, una vez formulada la hipótesis, se deben recoger una serie de

variables que resultan críticas para llegar a conclusiones válidas. La variable

que queremos evaluar se denomina variable dependiente y las que nos van a

permitir evaluar nuestro objetivo se denominan variables independientes.

2.2 Variables de estudio

Resulta crítico diseñar la hoja de recogida de datos de forma adecuada,

explicitando en una hoja auxiliar lo que significa cada una de las variables,

prestando especial cuidado a las unidades de medida. En ocasiones una

variable se puede disociar en varias por modificación de las unidades de

medida o bien de la naturaleza de la medición. Así hay variables, muchas

veces de respuesta, que pueden expresarse en la misma base de datos como

5

variables nominales (SI/NO) o como variables ordinales

(nula/leve/moderada/grave), por citar un ejemplo.

Para la selección óptima de las variables independientes debe llevarse a cabo,

previamente, una revisión exhaustiva del tema de investigación incorporando

además aquellas que el investigador considere, de acuerdo a su hipótesis, que

pueden modificar o incrementar el cuerpo de conocimiento existente sobre el

tema.

Existen unas variables que se llaman variables de confusión, que afectan al

resultado de la variable dependiente confundiéndolo de forma significativa, de

ahí su nombre, y que resulta prioritario identificar y controlar. Para ello, se

aplican técnicas estadísticas específicas como el análisis estratificado o el

multivariante, que se describen más adelante. Estas técnicas estadísticas

también se emplean para analizar la existencia de interacciones. El análisis de

las interacciones es muy importante, ya que las variables de interacción

pueden cambiar el sentido o la intensidad de la relación. Es decir, en el caso de

las variables de confusión se puede observar una relación que realmente no

existe o incrementar notablemente la relación existente (confusión positiva) y

también, en sentido contrario, anular un efecto o minimizarlo (confusión

negativa). Sin embargo, en el caso de la interacción, la relación entre la

variable dependiente y la(s) independiente(s) se puede ver modificado en

función de los distintos valores que pueda tomar la variable de interacción.

Este tipo de análisis debe realizarse siempre a la luz del conocimiento pre-

existente y de razonamientos lógicos.

Dependiendo de la naturaleza de la investigación, se deben incluir variables

que permitan valorar la percepción del paciente sobre el resultado del

tratamiento que recibe o de la tecnología aplicada o de la atención recibida,

entre otros. Existen formularios disponibles que permiten este tipo de

valoraciones pero deberían validarse previamente en el entorno concreto de

aplicación, ya que dependiendo de las características de su diseño (etnia,

creencia, práctica clínica determinada, etc) podrían imposibilitar la extracción

de resultados fiables.

2.3 Tamaño muestral

6

Un aspecto que reviste gran importancia en la investigación es determinar el

tamaño muestral necesario para la valoración adecuada de la hipótesis

planteada. Así, el tamaño muestral hace referencia al número mínimo de

participantes que son necesarios para demostrar o refutar el objetivo primario

del estudio (considerando también los objetivos secundarios) con un nivel de

confianza previamente especificado que permita no adjudicar los resultados

observados al azar.

Pero no sólo hay que considerar el nivel de confianza que se desea alcanzar

sino también el margen de error que aceptamos en la investigación. Así,

cuando menor sea el margen de error que aceptemos mayor será el tamaño

muestral requerido.

Hay que considerar que los resultados obtenidos en la muestra seleccionada

se deben generalizar posteriormente al total de la población representada por

la muestra, con un margen de error mínimo. El error de tipo I, denominado α

es la probabilidad de rechazar la hipótesis nula aunque sea verdadera en la

población. Habitualmente se acepta un error alfa≤ 0,05. El valor 1-α representa

el grado de confianza.

Además hay que considerar el error de tipo beta, es decir la probabilidad de no

rechazar una hipótesis nula que es falsa, es decir de no aceptar la hipótesis

alternativa cuando en realidad es cierta. Generalmente el criterio que se

emplea es aceptar un riesgo beta entre 0,10 y 0,20.El valor 1-β es la potencia

estadística, es decir la probabilidad de rechazar la hipótesis nula cuando la

alternativa es cierta.

El tamaño de la muestra viene determinado por la dispersión que puede

presentar los valores de la variable dependiente y por la magnitud de la

diferencia que se pretende observar. Cuanto mayor sea el coeficiente de

variación de la variable a estudiar mayor será el número de individuos

necesarios en la muestra poblacional.

En ocasiones valorar a priori la magnitud de la diferencia del efecto que se

desea medir es complejo por falta de información previa suficiente y en esos

casos se recomienda realizar un pequeño estudio piloto que permita una

valoración inicial aproximada. Pero esto no siempre es posible por lo que el

7

investigador debe razonar la decisión arbitraria que toma argumentando

suficientemente el hecho.

Habitualmente en la estimación del tamaño muestral, se considera el contraste

de hipótesis bilateral o de dos colas, porque es el más conservador.

Se dispone de distintos programas informáticos específicos para la estimación

del tamaño muestral que ofertan distintas opciones según se quiera estimar

una muestra de tamaño fijo o de tamaño variable, o bien se quiera comparar

medias o proporciones. Así mismo, también la mayor parte de los programas

generales de estadística, como Stata®, disponen de un módulo propio de la

estimación del tamaño muestral.

Existen algunos trabajos en castellano, muy completos, como el de Marrugat J

y col, o el de Araya y col. que explican extensamente los conceptos básicos y

las distintas opciones en el cálculo muestral.

Una vez que se completa la base de datos, se debe revisar ésta

cuidadosamente estudiando las distintas variables para comprobar que no se

hayan introducido errores groseros, y la codificación de las variables sea

correcta. A lo largo del tiempo de recogida de la información se puede

adicionar una nueva variable a la luz de nueva evidencia científica, si se

considera relevante para la investigación en curso.

En este punto, no está de más revisar nuevamente tanto el objetivo principal

como los secundarios para tener claro lo que se desea buscar y poder

seleccionar las pruebas estadísticas que permitan la obtención correcta de los

resultados.

2.4 Tipos de estudios

Los estudios se pueden clasificar según diferentes criterios. Una forma de

clasificarlos hace referencia a si los estudios son experimentales o con

intervención o si son observacionales.

Los estudios experimentales o con intervención son aquellos en los que

los pacientes o individuos incluidos son sometidos a un factor, por

ejemplo la toma de un medicamento, una intervención, etc, por participar

8

en el estudio, que no hubieran recibido si no hubieran participado en el

mismo. En este grupo se encuentran los ensayos clínicos. A estos no

vamos a hacer referencia en este capítulo, ya que son los que más se

conocen y no son los que se van a realizar con más frecuencia en la

práctica asistencial. Los ensayos clínicos se consideran uno de los

pilares de la evidencia científica, pero también tienen ciertas limitaciones,

algunas de las cuales se muestran en la tabla 1.

Los estudios observacionales son aquellos que se basan en la

observación. No se somete a ningún individuo a ningún tratamiento o

intervención por el hecho de participar en el estudio. Los pacientes o

individuos son tratados como iban a ser tratados independientemente de

la participación en el estudio. El investigador se limita a observar lo que

ocurre a estos individuos. Estos estudios, cuando analizan los efectos de

fármacos constituyen lo que se denomina farmacoepidemiología. Ésta,

por tanto, no es más que la aplicación del método epidemiológico al

efecto y uso de los medicamentos en grupos de población. En este

capítulo haremos referencia especialmente a este tipo de estudios, ya

que son los que se realizan para obtener información de resultados en la

práctica real. Esta información es importante en los pacientes crónicos,

ya que en los ensayos clínicos, en muchas ocasiones, se excluyen

pacientes con comorbilidades, los estudios tienen duración limitada y no

se observan efectos a largo plazo, etc. En la tabla 1 se muestra parte de

la información que podemos obtener de los estudios observacionales.

9

Tabla 1. Algunas limitaciones de los ensayos clínicos y ejemplos de

información que se puede obtener de los estudios observacionales

Algunas limitaciones de los ensayos clínicos

Número de individuos limitado

Condiciones diferentes a la realidad

Algunos grupos de individuos son excluidos con frecuencia

Participantes más homogéneos que la población real

Limitados en el tiempo

Caros

Información que se puede obtener de los estudios observacionales

Efectos adversos poco frecuentes

Efectos que aparecen tras un periodo largo de tiempo

Realidad sobre el uso del fármaco en la práctica clínica

Resultados en los pacientes en el contexto real

Factores que determinan cambios en el uso de fármacos

Factores que determinan cambios en los resultados en los pacientes

Análisis de costes reales asociados a los tratamientos

Factores que afectan al efecto del tratamiento

Información sobre una población mayor que la incluida en los

ensayos

Efectividad o efecto de los tratamientos en condiciones reales de uso

Eficiencia, relación entre los efectos y los recursos consumidos

La realización de estudios observacionales es una labor que deberíamos

realizar de forma paralela a la práctica asistencial para así contribuir a un mejor

conocimiento de los efectos de los tratamientos, efectos de la actividad de los

profesionales, etc, que aportan una información diferente y complementaria a la

evidencia científica generada en los ensayos. Somos los profesionales

sanitarios los que podemos contribuir en gran medida a ampliar y aplicar este

conocimiento con orientación a la mejora de la práctica asistencial y de los

resultados en los pacientes.

Dentro de los estudios observacionales se encuentran:

10

Los casos y las series de casos. Muchos autores no identifican a éstos

como estudios en sí mismos, pero su valor es alto en cuanto a la

generación de hipótesis que posteriormente pueden ser contrastadas

mediante estudios con otros diseños.

Los estudios transversales. Son estudios que se realizan en un

momento en el tiempo y su finalidad es descriptiva. Muchos de ellos se

realizan de rutina, por ejemplo, el consumo de medicamentos, la

prevalencia de enfermedades, etc. Si se realizan varios estudios

transversales en diferentes momentos en el tiempo o en diferentes

lugares, se puede generar la idea de que algunas circunstancias o

factores pueden estar asociados con determinados efectos, pero no

sirven para comprobar hipótesis ya que no se estudia la secuencia

temporal, a estos estudios se les llama de tendencias o ecológicos.

Estudios longitudinales. Son aquellos en los que se considera la

secuencia temporal, es decir, en lenguaje coloquial diríamos que se

observa “qué ocurre antes que qué”. Es decir, por ejemplo, si ha sido

primero el consumo del medicamento y luego la aparición del efecto.

Dentro de estos estudios se encuentran los estudios de cohortes y los

de casos y controles. Ambos se diferencia en el punto de partida. En los

estudios de cohortes se parte de los individuos expuestos al factor

analizado o posible causa e individuos no expuestos y se observa si se

produce el efecto o no en ambos grupos. En cambio, en los estudios de

casos y controles se parte individuos que tienen el efecto e individuos

que no lo tienen y se observa cuántos de cada uno de los grupos

estuvieron expuestos al factor de riesgo. Estos estudios longitudinales

en general tienen una finalidad analítica, es decir estudiar la asociación

entre un factor y un efecto.

En la figura 1 se muestran los principales diseños de estudios. En la tabla 2 se

muestran su utilidad, las limitaciones y otros aspectos de los estudios de casos

y controles y los estudios de cohortes. Entre ellas destacamos que en los

estudios de cohortes podemos calcular incidencias, pero en los de casos y

controles no. Más adelante se explica las medidas de frecuencia y asociación

utilizadas en los estudios observacionales.

11

Figura 1. Tipos de diseño de estudios (E.)

Tabla 2. Algunos aspectos de los estudios de cohortes y de casos y controles.

Cohortes Casos y Controles

Útiles Para analizar múltiples

efectos de una

exposición

Cuando la exposición es

rara

Posibles efectos de

tratamientos nuevos

Para analizar posibles

causas de un efecto

Cuando el efecto muy raro

Cuando el efecto aparece

tras un periodo largo de

tiempo

Limitaciones Requieren gran tamaño

de muestra

Tienen larga duración

Son muy costosos

Dificultad de recogida de

datos retrospectivos

Dificultad en selección de

controles

Otros

aspectos

Importante asegurar la

comparabilidad de los

grupos

Se pueden calcular

incidencias

Importante asegurar la

comparabilidad de los

grupos

No se pueden calcular

incidencias

La elección del diseño del estudio observacional a realizar va a depender de

muchos factores. Como se muestra en la tabla 2 cuando se quiere estudiar

varios efectos de la exposición a un factor, por ejemplo un tratamiento, una

12

intervención de un profesional, una forma de tratar, etc, es más adecuado el

estudio de cohortes porque identificamos a los individuos expuestos, se escoge

un grupo control de individuos no expuestos y se observa los efectos en ambos

grupos. Hay otras circunstancias, como las indicadas en la tabla, en las que es

mejor el diseño de casos y controles. En otras ocasiones ambos diseños son

posibles, y se suele preferir el de cohortes que se asemeja más al ensayo

clínico, puede ser prospectivo y se pueden calcular incidencias y riesgos

relativos.

Otra forma de clasificar los estudios hace referencia a la finalidad de los

mismos. Así los clasificaríamos en estudios descriptivos y analíticos. Los

primeros son aquellos que tratan de describir una situación y analíticos los que

tratan de estudiar la asociación entre factores y efectos. En la tabla 3 se

muestran los diseños de estudios incluidos en cada uno de estos dos tipos.

Tabla 3. Estudios descriptivos y analíticos

Descriptivos Analíticos

Casos y serios de casos

Estudios transversales

Estudios de tendencias o

ecológicos

Observacionales

Casos y controles

Cohortes

Con intervención o experimentales

Ensayos Clínicos

Atendiendo a la relación temporal entre el estudio y la generación de los datos

los estudios se pueden clasificar en:

Retrospectivos: estudios en los que se recogen datos que se han

generado en el pasado. Tienen la importante limitación de que sólo se

pueden recoger los datos que estén registrados o recuerden los

participantes en el estudio.

Prospectivos: son estudios en los que los datos se generan una vez

iniciado el estudio. Son preferibles a los retrospectivos ya que permiten

recoger más información.

Los estudios de casos y controles tienen siempre un diseño retrospectivo y los

de cohortes pueden ser prospectivos o retrospectivos.

13

Existen también otras muchas formas de clasificar a los estudios, por ejemplo,

unicéntricos o multicéntricos, etc. Siempre que sea posible, sería deseable

realizar estudios multicéntricos para aumentar la posibilidad de generalizar los

resultados a otros entornos, aumentar el tamaño de muestra, analizar la

influencia del centro en los resultados, favorecer la colaboración entre

profesionales de diferentes centros, etc.

2.5. Variables de medida utilizadas en los estudios observacionales

Medidas de frecuencia

Prevalencia: es el número de casos presentes dividido por la población

total. Es la medida utilizada en los estudios transversales.

Incidencia: es el número de casos nuevos dividido por el número de

individuos a riesgo al inicio del estudio.

Medidas de asociación

Riesgo relativo (RR): es el cociente entre la incidencia del efecto en los

expuestos al factor o posible causa dividido por la incidencia en los no

expuestos al factor. Para calcularlo es necesario poder calcular

incidencias, por lo que solo se puede calcular en los estudios de

cohortes. Un RR de 1 indicaría no asociación entre el factor y el efecto,

un valor >1 que el factor aumenta el riesgo del efecto (un valor de, por

ejemplo, 1,36 indicaría un aumento del riesgo del 36%) y <1 que protege

frente al efecto (un valor de, por ejemplo, 0,8 indicaría que disminuye el

riesgo un 20%).

Razón de odds (RO): es el cociente entre la relación expuestos al

factor/no expuestos al factor en los casos entre los controles. O lo que

es lo mismo el cociente entre la relación casos/no casos en los

expuestos frente a los no expuestos. Es decir en ambos casos es un

cociente de odds (que es el cociente entre el número de sujetos con una

característica entre el número de sujetos que no la presentan). La

interpretación se realiza de forma semejante al RR, y se suele utilizar

como una aproximación de éste, aunque los valores no son los mismos,

14

serán tanto más parecidos cuanto más raro sea el efecto. La RO da una

idea de cuántas veces es más frecuente el efecto en los expuestos que

en los no expuestos. Si tiene un valor >1 habrá una asociación positiva

entre el factor y el efecto y si es <1 protegerá. La RO es la unidad de

medida de asociación que se utiliza en los estudios de casos y controles

y cuando se realiza análisis por regresión logística, como se explicará

más adelante.

Tanto en el cálculo del RR como en el de la RO es importante calcular el

intervalo de confianza del 95% y observar si éste incluye o no el 1. Si incluyera

el 1 indicaría que no se ha podido demostrar que exista asociación entre el

factor y el efecto. Una vez encontrada la asociación, como ésta puede ser

debida a factores de confusión o sesgos (se comentan más adelante), es

importante valorar que se cumplen además algunos de los criterios para poder

establecer la relación causal.

Estos criterios de causalidad incluyen:

- que estudios similares o relacionados den resultados similares,

- que podamos pensar en algún mecanismo por el que se produce esta

asociación,

- que exista fuerza en la asociación (mejor cuanto más alejado de 1 esté

el RR o RO)

- que exista una secuencia temporal compatible con causalidad

- que exista relación entre la dosis y la respuesta

2.6. Validez de los estudios

Existen dos tipos de validez:

Validez interna: hace referencia a que los resultados encontrados se

correspondan con la realidad. Para ello el estudio tiene que estar bien

realizado, no tiene que haber sesgos y se han debido analizar y corregir

los resultados por los factores de confusión.

Validez externa: hace referencia a la posibilidad de generalizar los

resultados del estudio a la población global. Para ello tiene que existir

15

validez interna y hay que valorar las características de los pacientes y el

método de trabajo incluido en el estudio y compararla con la del ámbito

en el cual se quieren aplicar los resultados del estudio.

En los estudios es importante tratar de evitar los sesgos. Sesgo es cualquier

factor que pueda llevar a que los resultados se desvíen sistemáticamente de la

realidad. Entre los sesgos podemos destacar los siguientes:

Sesgo de selección: se produce cuando los grupos a comparar no han

sido seleccionados de forma adecuada, para evitarlo hay que tratar de

evitar que se seleccionen individuos con una relación entre el factor y el

efecto especial. Para evitar este sesgo lo mejor es aleatorizar lo máximo

posible. Ya que en estudios observacionales no se puede aleatorizar los

individuos expuestos y no expuestos al factor al menos se puede hacer

una selección aleatoria de la muestra, o recoger pacientes consecutivos,

minimizar el abandono (ya que los pacientes que abandonan suelen

tener características diferentes), etc.

Sesgo de información: se produce cuando no se recoge la información

de todos los pacientes por igual o no se recoge la información de forma

adecuada. Para evitarlo una buena estrategia es hacer que la persona

que genera la información o la recoge no pueda manipularla, lo que se

conoce como cegamiento. También es importante estandarizar la forma

de recogida de los datos y las definiciones de los mismos, antes de

recogerlos, para evitar manipulaciones o sesgos.

Sesgo de indicación: se produce cuando existe una tendencia a que los

individuos expuestos al factor, por ejemplo que toman el medicamento

evaluado, tengan unas características particulares, por las que se les ha

dado el tratamiento. Este sesgo se evita con la aleatorización, pero,

como hemos comentado, no es posible en los estudios observacionales.

Es difícil de solucionar si claramente los expuestos al factor son

diferentes a los no expuestos porque nunca se conseguirá saber si, por

ejemplo, se encuentra una asociación ésta se debe al factor analizado o

a otro. Sin embargo, si hay más individuos con unas características en

un grupo que en otro pero existen individuos similares en ambos grupos

se puede corregir por lo que se llama el índice de propensión o

16

“propensity score” en inglés. Es un índice que nos indica la propensión a

estar expuesto al factor analizado en base a unas características de los

individuos. Se calcula mediante regresión siendo la variable dependiente

o a predecir el estar expuesto al factor o no, y después se puede corregir

por este índice mediante emparejamiento o regresión, consiguiendo así

grupos más comparables entre sí. El índice de propensión sirve también

para corregir por factores de confusión.

Los factores de confusión son factores relacionados con el factor de exposición

analizado, relacionados con el efecto estudiado pero no son la vía por la cual el

factor produce el efecto. Por ejemplo, si estamos estudiando la relación entre el

ejercicio y el fallo cardíaco, fumar podría ser un factor de confusión las

personas que hacen ejercicio en general fuman menos y fumar aumenta el

riesgo de fallo cardíaco y podríamos concluir que los que no hacen ejercicio

tienen más riesgo de fallo cardíaco, pero podría ser porque fuman más, por lo

que tendríamos que corregir por este factor, fumar o no. La mejor forma de

corregir por ellos es la aleatorización de los individuos en los grupos, porque

así los factores de confusión, se conozcan o no, estarán igualmente

distribuidos en los grupos, si el tamaño de muestra es suficientemente grande,

y si se encuentran diferencias entre los grupos se deberán al factor analizado.

No obstante en los ensayos aleatorizados siempre es necesario comprobar

esta distribución equitativa de los factores de confusión, generalmente en la

primera tabla de todos los trabajos. Sin embargo, en los estudios

observacionales que no se puede aleatorizar hay que corregir por los factores

de confusión, aunque nunca se podrá corregir por los que no se conozcan.

Existen diferentes estrategias para corregir por los factores de confusión, tanto

en el diseño de los estudios como en el análisis de los resultados, que se

muestran en la tabla 4.

Tabla 4. Estrategias de control de los factores de confusión

Estrategia Ventajas Inconvenientes

En el diseño del estudio

Randomización Garantiza la No es posible en estudios

17

comparabilidad

Aumenta eficacia del

estudio. No necesario

control en análisis

observacionales

Aparejamiento Aumenta eficiencia,

precisión

Alarga el tiempo

Problemas factibilidad

Restricción o

exclusión

Simple

Aumenta homogeneidad

Alarga tiempo

Reduce validez externa

En el análisis de los resultados

Estratificación Simple

Se puede perder

información

Número limitado de

categorías

Interpretación compleja

Modelos No se pierde información

No se categoriza

Puede dar estimaciones

individuales de riesgo

Se asumen condiciones

no siempre válidas

Resultados difíciles de

interpretar

2.7. Análisis estadísticos

En este capítulo se presentan algunos de los análisis estadísticos más

utilizados y se dan ciertas ideas respecto a cada uno de ellos, pero para un

mejor conocimiento se recomienda acudir a libros de bioestadística como el de

Martínez González MA y col. y a las instrucciones de los paquetes estadísticos

como STATA®.

Existen varios factores que van a determinar si utilizar un test estadístico u otro,

entre ellos están el objetivo o la hipótesis que queramos analizar, el tipo de

variables que disponemos (cuantitativas o cualitativas) y la distribución normal

o no de las variables.

Los test estadísticos se aplican, en muchas ocasiones, para analizar si hay

diferencias en una variable entre dos o más grupos de individuos clasificados

según otra variable o para estudiar si existe asociación entre dos o varias

18

variables. Los test estadísticos van a indicar si estas diferencias o esta

asociación son significativas o no, es decir si se ha podido demostrar que

existen diferencias o que dos variables están asociadas y es poco probable

que se deba al azar. Pero también es muy importante la magnitud de esa

diferencia o esta asociación, la incertidumbre en esa estimación (que muchas

veces viene dado por el inérvalo de confianza) y si esa magnitud es, o puede

ser, clínicamente significativa. Esto es importante porque en la práctica clínica

nos interesa introducir estrategias que tengan impacto o significación clínica

para los pacientes. Además, diferencias insignificantes pueden ser

estadísticamente significativas si el tamaño de muestra es muy grande, o

diferencias importantes pueden no ser significativas si el tamaño de muestra es

insuficiente. Y, como se ha comentado antes, el tamaño de muestra se

determina generalmente en base a la variable principal del estudio por lo que la

potencia puede no ser suficiente para detectar diferencias relevantes

clínicamente en otras variables.

Por otro lado, es importante recordar que solo es lógico analizar mediante

pruebas estadísticas, aquellos aspectos que tengan sentido clínico.

La realización de análisis estadísticos puede ser compleja y por ello, en

ocasiones se puede recurrir a asesoramiento o ayuda estadística, pero es

necesario trabajar de forma conjunta con los profesionales estadísticos.

Simplemente por azar se pueden encontrar diferencias o asociaciones que no

son lógicas, por lo que los análisis estadísticos se deben planificar, realziar e

interpretar con sentido clínico.

Existen dos tipos de estadística:

Estadística descriptiva. Trata de sintetizar o resumir la información

contenida en unos datos. Aquí será importante dar los parámetros o

índices que mejor representen a los datos y realizar representaciones

gráficas de la distribución de los datos.

Estadística analítica. Trata de estudiar la asociación entre diferentes

variables, generalmente se trata de comprobar una hipótesis y la

estimación de intervalos de confianza (dar un rango de valores creíbles

para un determinado parámetro).

19

A continuación daremos pinceladas respecto a los índices o parámetros y los

principales test a utilizar, que se muestran en la tabla 5.

Tabla 5. Principales test estadísticos

Estadística descriptiva

Tipo de variable D.N. Parámetro o índice

Cualitativa Frecuencias, porcentajes

Cuantitativa Si Media, D.E., IC95%

No Mediana; P2,5-P97,5; P25-P50

Tiempo hasta el evento Análisis de supervivencia, Curva de Kaplan

Meier; mediana de supervivencia y su

IC95%

Estadística analítica

Objetivo Tipo de

variable

D.N. Test estadístico

Comparar 2

muestras

Cualitativa Chi-cuadrado, Test exacto de Fisher,

Regresión logística, RO

Cuantitativa Si T-student para muestras independientes

Test de Welch si varianzas no homogéneas

T-student para muestras dependientes

No U Mann-Whitney o Wilcoxon para muestras

independientes.

Test de Wilcoxon para muestras

dependientes

Bootstrap

TE Log-rank

Comparar >2

muestras

Cualitativa Regresión logística, RO.

Cuantitativa Si ANOVA; test a posteriori; corrección de

Bonferroni

No Kruskal-Wallis (muestras independientes)

Friedman (muestras dependientes)

Bootstrap

Asociación

entre 2

variables

Cuantitativas Si Coeficiente de correlación de Pearson (r)

No Coeficiente de correlación de Spearman

Regresión lineal simple

Asociación

con 2 o más

variables

V.D.

dicotómica

Regresión logística

V.D.

cuantitativa

Regresión lineal (RO)

V.D. TE Regresión de Cox (HR)

20

D.E. = desviación estándar; D.N. = siguen una distribución normal; HR= Hazard ratio; IC95%=

intervalo de confianza del 95%; P= percentil; r= coeficiente de correlación; RO = razón de odds;

TE= tiempo hasta el evento; V.D. = variable dependiente.

Un aspecto importante a la hora de elegir los índices y test estadísticos es el

tipo de variable, si se trata de variables cualitativas (nominales u ordinales,

dicotómicas o policotómicas) o variables cuantitativas (discretas o continuas).

Para realizar los análisis estadísticos es importante tener la base de datos con

las variables recogidas. La mayoría de los paquetes estadísticos permiten

importar bases de datos de Excel. Es importante que las variables estén bien

codificadas y en ocasiones ello exige transformar ciertas variables. Por ejemplo,

las variables dicotómicas se suelen transformar en 0 y 1, siendo 1 la presencia

de un determinado factor o característica y 0 la ausencia de la misma.

En estadística descriptiva los índices a utilizar van a depender del tipo de

variable. Las variables cualitativas generalmente se van a describir mediante

frecuencias o porcentajes. Las variables cuantitativas que siguen una

distribución normal se describen mediante la media y la desviación estándar o

la media y el intervalo de confianza del 95%. Las variables cuantitativas que no

siguen una distribución normal mediante la mediana y los percentiles. Los

percentiles más utilizados son el percentil 2,5 y el 97,5, entre cuyos valores

estarían el 95% de los valores, y por tanto se asemejaría al intervalo de

confianza del 95% utilizado en las variables normales. Con frecuencia se

utilizan también el percentil 25 y 75.

En ocasiones el dato de interés no es sólo si ocurre un evento o no sino

cuándo ocurre este evento, por ejemplo fallecer, progresar, etc. El análisis de

estas variables de hace mediante el análisis de supervivencia. En este caso,

las variables que se requieren en la base de datos son dos, una variable que

recoge si ha ocurrido el evento o no y otra que recoge el tiempo transcurrido

desde que ha entrado en el estudio hasta que ha ocurrido el evento o hasta

que se ha seguido al paciente o individuo. Con estos datos se puede construir

una curva de supervivencia mediante el método de Kaplan-Meier que nos dará

la probabilidad de supervivencia en cada momento. También se puede

calcular la mediana de supervivencia, que será el tiempo en que ha ocurrido el

21

evento a la mitad de los individuos, y su intervalo de confianza. Es importante

representar la curva de supervivencia gráficamente.

Como los test estadísticos a utilizar dependen en cierta medida de la

distribución normal o no de las variables, uno de los primeros análisis que se

suele realizar, en especial cuando el tamaño de muestra es pequeño, es un

test de normalidad para las variables cuantitativas. Los más utilizados son el

test de Kolgomorov-Smirnov, y el de Shapiro Wilk, quizá este segundo se

emplee más frecuentemente, sobre todo con muestras pequeñas. O también

se puede estudiar la asimetría (skweness) y la kurtosis. Como parte del análisis

es importante realizar una representación gráfica, por ejemplo histogramas, y

observar la distribución de los datos.

En estadística analítica vamos a identificar 4 situaciones diferentes, que,

aunque no son las únicas, son situaciones que se dan con mucha frecuencia:

Comparación de una variable entre dos muestras. En muchas ocasiones

es de interés comparar una variable entre dos grupos creados en base a

una variable cualitativa, por ejemplo, el recibir un tratamiento o no

recibirlo, haber recibido la intervención de un profesional o no, o tener

una característica o no. El análisis de interés del estudio puede ser

comparar una variable de resultado entre dos grupos, pero también hay

que comparar una variable entre dos grupos cuando se quiere analizar

si los grupos son comparables entre sí en características basales, en

factores de confusión, etc, lo que suele corresponder a la primera tabla

que informa de la población en muchos ensayos clínicos y estudios

observacionales. Como se ha comentado, no solo es importante la

significación de la diferencia sino también la magnitud de esta diferencia

y la incertidumbre o intervalo de confianza de esta diferencia.

Dependiendo del tipo de variable realizaremos un test u otro.

o Para las variables cualitativas se utiliza el test de chi-cuadrado de

Pearson, o el test exacto de Fisher (en especial cuando alguno de

los valores en la tabla de 2x2 es menor de 5). También se puede

aplicar la regresión logística, que se explica más adelante. Se

pueden calcular RO a partir de la tabla 2x2 o a partir de la

regresión logística.

22

o Para Las variables cuantitativas normales se utiliza generalmente

el test de t-student para muestras independientes o para

muestras dependientes o pareadas en función de si los individuos

de los dos grupos son diferentes en el primer caso o, en el

segundo caso, si al mismo individuo se le ha sometido primero al

factor clasificador de los grupos, ej un tratamiento, y luego no, o al

revés, primero no y luego sí. En ocasiones también se aplican test

de muestras dependientes cuando, sin ser los mismos individuos

en los dos grupos, se han emparejado por diferentes

características. El test de t-student para muestras independientes

requiere que las varianzas de ambos grupos sean homogéneas,

si este requisito no se cumple se utilizará el test de Welch.

o Para las variables cuantitativas no normales se utiliza el test de U

de Mann-Whitney o el test de Wilcoxon para muestras

independientes. Hay que diferenciar este test del Test de

Wilcoxon para muestras dependientes. Una alternativa es el uso

de técnicas de bootstrap. Bootstrap es una técnica de remuestreo

que crea un número grande de muestras a partir de la muestra

original, con el mismo tamaño muestral que la de partida, pero en

las que se permite repetición de algunos valores, y por tanto

exclusión de otros. La media de todas estas muestras seguirá una

distribución normal y por tanto permitirá aplicación de análisis y

cálculo de índices de distribuciones normales.

o Para comparar dos curvas de supervivencia se utiliza el test de

Log-rank.

Comparación de variables entre más de dos muestras.

o Para variables cualitativas, cuando existen más de dos grupos y

estos grupos son ordinales, por ejemplo comparar el % de

pacientes con un determinado evento entre pacientes que han

revivido dosis diferentes de un mismo medicamento, se puede

utilizar el test de tendencia lineal. Otra opción para comparar

variables cualitativas dicotómicas entre más de 2 grupos es la

regresión logística.

23

o Para las variables cuantitativas normales se utiliza el test de

ANOVA. Un resultado significativo en este test indicará que

existen diferencias entre algunos de los grupos pero será

necesario realizar test a posteriori para identificar entre qué

grupos existen diferencias significativas. Entre estos hay que

distinguir los más conservadores del resto. Se pueden comparar

todos los grupos entre sí o fijarse solamente en un número

determinado de comparaciones de interés. Si se admite un alfa de

0,05, en las comparaciones a posteriori tendremos que dividir

0,05 por el número de comparaciones a realizar, se denomina

corrección de Bonferroni, y trata de disminuir la probabilidad de

encontrar diferencias significativas solo por azar cuando

realizamos muchas comparaciones.

o Para variables cuantitativas no normales se utiliza el test de

Kruskal-Wallis si las muestras son independientes y el de

Friedman si las muestras son dependientes o emparejadas.

También se pueden utilizar técnicas de Bootstrap.

Analizar la asociación entre dos variables cuantitativas.

o Si las dos variables siguen una distribución normal se calcula el

coeficiente de correlación de Pearson (r). Al representar una

variable en el eje de abscisas y la otra en el eje de ordenadas,

este coeficiente indica el grado en que se ajustan los puntos a

una recta. Por ello, es bueno representar los puntos gráficamente

y observar este ajuste, además de hacer el análisis estadístico.

Ya que la relación entre las variables puede no ser lineal y esto se

observa más fácil mediante el gráfico. No existe una norma clara,

pero un valor de r<0,30 indicaría una asociación pobre y r>0,7

asociación fuerte.

o Si una de las variables no sigue una distribución normal se

calcula el coeficiente de correlación de Spearman.

o Otra estrategia para analizar la asociación entre dos variables

cuantitativas es la regresión lineal simple. Mediante la regresión

se analiza si esta relación es lineal y también la ecuación que las

relaciona, que será Y=a +b X, siendo Y la variable dependiente y

24

X la variable independiente. X podría ser una variable cuantitativa

o cualitativa ordinal. De modo que se podría predecir Y en función

de X. Si representáramos Y en las ordenadas y X en as abscisas,

“b” sería la pendiente de la recta y “a” la ordenada en el origen.

En una regresión lineal se calcula el coeficiente de determinación

(R2) que indica el porcentaje de la variabilidad de Y que es

explicada por la variable X. Cuanto mayor sea R2 mayor será el

ajuste a la línea recta. La regresión requiere la independencia de

las observaciones (por ejemplo, que no haya varias

observaciones de un mismo individuo) y la normalidad de los

residuales. Los residuales son la diferencia entre el valor predicho

de Y para cada valor de X con el modelo y el valor real de Y.

Analizar la asociación entre múltiples variables. Se realiza

generalmente mediante análisis de regresión. Estos análisis de

regresión se utilizan generalmente para determinar predictores

(variables independientes, X) de una variable dependiente (Y),

construir una ecuación para predecir una variable Y a partir de los

valores de unas variables Xs, determinar el efecto de una variable X1

sobre una variable Y corrigiendo por factores de confusión (X2,

X3…Xn), identificar interacciones entre variables. Por ello, es uno de

los tipos de análisis estadísticos que se van a realizar con mayor

frecuencia. El tipo de análisis de regresión a realizar viene

determinado por el tipo de variable dependiente. Las variables

independientes en todos los tipos de regresión pueden ser

cuantitativas o cualitativas. En el caso de variables independientes

cualitativas que tengan más de 2 categorías se tienen que crear las

variables dummy o ficticias. Si hay n categorías, se crearán n-1

variables dummy. Por ejemplo, la variable raza puede tener 3

categorías caucásico, negro y asiático. Supongamos que caucásico

es la categoría de referencia y crearemos 2 variables dummy, negro

si/no (dando valores 1/0) y asiático si/no (1/0), los caucásicos serán

los que tengan no en ambas variables.

o Si la variable dependiente es cuantitativa se realiza regresión

lineal múltiple. Estimando la ecuación Y = a + b1X1

25

+b2X2+..+bnXn. b1 indicará cuánto aumenta Y al aumentar X1 en

una unidad corregido por las otras variables X, si estas son

factores de confusión. El modelo dará también la significación

estadística de los coeficientes b y sus intervalos de confianza. Al

igual que la regresión simple se puede calcular R2, pero en este

caso se penaliza por el número de variables en el modelo

calculando la R2 ajustada. En esta regresión también se debe

cumplir la normalidad de los residuales, la independencia de las

observaciones y la tolerancia (no colinealidad) entre las variables

X. Por ello, no se debe introducir dos variables X que estén muy

correlacionadas como el IMC y el grado de obesidad, por ejemplo.

Respecto a cuántas variables introducir en el modelo, esto va a

depender en gran medida del objetivo del modelo. Cuando se

quiere construir una ecuación para estimar Y en función de

diferentes variables X, y se quiere que la ecuación sea práctica,

no conviene tener muchas variables en el modelo, sólo aquellas

con coeficientes estadísticamente significativos y con sentido

clínico. Sin embargo, si se quiere corregir por factores de

confusión interesa corregir por el mayor número de factores y no

se dejan en el modelo solo los estadísticamente significativas sino

las que su eliminación modifica el valor de b1 (el coeficiente de la

variable de interés) de forma importante, por ejemplo más de un

10-20%. En los modelos de regresión es importante estudiar si

existe interacción ente diferentes variables X, y si es así introducir

el término de interacción en el modelo, esto también se aplica en

los siguientes modelos de regresión.

o Si la variable dependiente es una variable dicotómica (evento

si/no, que se le dan, en general, los valores 1 al sí y 0 al no) se

utiliza la regresión logística. En este caso la ecuación será ln(p/1-

p)= a + b1X1 +b2X2+..+bnXn, siendo p la probabilidad de que

ocurra el evento y 1-p la probabilidad de que no ocurra. eb1 será

la RO. Esta RO indicará cuanto aumenta el riesgo de presentar el

evento al aumentar una unidad el valor de X1, corregido por el

resto de variables X. Si la variable X1 es tener una característica

26

si (=1) o no (=0), la RO será cuanto aumenta el riesgo del evento

medido en la variable Y por presentar la característica de la

variable X1. También se estima el intervalo de confianza de la RO.

o Si la variable dependiente es el tiempo hasta el evento se realiza

la regresión de Cox. Este análisis permite calcular el Hazard Ratio

(HR). El HR es un cociente entre dos hazard (hazard es el riesgo

de experimentar el evento en un instante del estudio), el hazard

en el grupo con una característica y el hazard en el grupo sin esa

característica, si la variable independiente es dicotómica. Si la

variable independiente es continua, el HR indicará cuánto

aumenta el hazard al aumentar en una unidad la variable X. Si

hay más variables X o factores de confusión, el valor del HR será

corregido por el resto de variables. Este test asume ciertos

aspectos como la proporcionalidad entre los hazards en los dos

grupos comparados.

o Existen otros modelos de regresión más complejos que no vamos

a analizar en este capítulo.

Otros análisis estadísticos incluyen: el cálculo del poder predictivo de un

modelo, el cálculo de sensibilidad, especificidad y curvas ROC; el análisis de la

concordancia entre varias mediciones o estimaciones de una misma variable

por diferentes técnicas, diferentes personas, etc, mediante el cálculo de kappa;

u otros análisis estadísticos que no abordaremos en este capítulo.

2.8. Resultados

Los resultados de la investigación proporcionan la evidencia científica que

apoya la toma de decisiones clínicas y la mejora en el cuidado de la salud. Por

ello, se debe prestar un cuidado especial en su exposición e interpretación.

Conviene iniciar la exposición de los resultados mediante una descripción

general de la muestra. Deben enfatizarse los datos relevantes para el objetivo

del trabajo.

27

La forma de mostrar los resultados, en forma de tablas, gráficos o texto

depende del tipo de análisis estadístico requerido y de la naturaleza de la

investigación.

Algunos mensajes se expresan mejor con gráficos en los que los tamaños

relativos que comparan las distintas opciones valoradas (en el caso de

histogramas, por ejemplo) impactan y transmiten claramente la medida de los

resultados.

A veces, el gráfico sirve para enfatizar una relación inusual entre variables,

como por ejemplo la relación curvilínea entre la respuesta al tratamiento con

sertralina y la concentración basal en suero, de este fármaco.

En cualquier caso el método de exposición seleccionado no debe transmitir una

realidad confusa o modificar la realidad de los resultados obtenidos.

Un aspecto claro, es que no se debe omitir ningún tipo de resultado. En este

sentido, a penas hace un año, se ha llevado a cabo en EEUU el denominado

análisis STAT que ha mostrado que centros prestigiosos de investigación de

dicho país como el Memorial Sloan Kettering Cancer Center o la Universidad

de Stanford entre otros incumplen sistemáticamente las leyes federales en

materia de publicación de los resultados de investigación, omitiendo datos

importantes sobre seguridad y beneficio de los tratamientos estudiados con lo

que producen un daño importante a los pacientes y a los médicos que los

atienden.

Esta investigación encontró que aunque la industria farmacéutica en ocasiones,

no cumple adecuadamente en la transmisión de los resultados, algunas

facultades de medicina, hospitales docentes y ciertos grupos sin ánimo de lucro

lo hacen aún mucho peor.

No informar los resultados de la investigación, de forma completa, es una mala

práctica ya que retrasa el conocimiento y el aprendizaje.De hecho, transmitir

con calidad los resultados completos de una investigación es la mejor manera

de proporcionar el máximo retorno de la inversión realizada en la investigación.

El sesgo en los resultados se produce cuando la naturaleza y sentido de los

mismos influye en su diseminación. Así, los resultados que no son

estadísticamente significativos (“negativos”) tienden a omitirse o a reducir su

comunicación, como indican Hopewell S. y col., y por el contrario aquellos que

28

son estadísticamente significativos tienden a sobre-expresarse como señalan

Von Elm E y col.

Además el tipo de resultados obtenidos también influye en la velocidad en la

que son publicados y en la probabilidad en la que son citados.

Un análisis del seguimiento de 29.779 resúmenes comunicados realizado por

Scherer RW. Y col., mostró que algo menos de la mitad de los mismos

condujeron a una publicación completa y que la mayor parte de éstos, hacían

referencia a resultados “positivos” tanto si eran estadísticamente significativos

como si el resultado era favorable al tratamiento experimental.

Hay que tener en cuenta que los resultados que no alcanzan significación

estadística no sólo tienden a ser omitidos por sus autores sino que es menos

probable que sean aceptados para su publicación.

Otro aspecto a considerar en el sesgo de resultados es la desviación entre lo

que se publica como resultado de un estudio y los objetivos del mismo. En el

año 2004 Chan AW. Y col. llevaron a cabo una revisión de trabajos publicados

en Dinamarca comparando los resultados expuestos con los protocolos

originales aprobados por los comités de ética, encontrando que dos tercios de

las publicaciones habían modificado uno de los objetivos planificados.

Por tanto, los investigadores deben comprometerse a seguir sin desviaciones el

protocolo diseñado y aprobado por el comité de ética y a comunicar los

resultados completos de la investigación, tanto positivos como negativos así

como las dificultades o limitaciones del estudio. Es la manera en la que

realmente la ciencia progresa y permite acortar caminos en el avance del

conocimiento.

En los últimos años, se ha producido un nuevo enfoque en la investigación al

introducir medidas de beneficio social, considerando no sólo resultados

económicos, si no también de calidad de vida. Para ello, los protocolos se han

modificado con la intención de obtener no sólo resultados clínicamente

relevantes sino algo más importante y es que sean relevantes para los

pacientes y para la sociedad. Generalmente las nuevas medidas incluyen

cuestionarios de calidad de vida, mediciones del estado de salud, valoraciones

de la satisfacción de los pacientes, de distress psicológico, costes directos e

indirectos, escalas de dolor, etc.

29

Y así, en la actualidad, se habla cada vez más de “resultados en salud” que

hace referencia al impacto que las actividades sanitarias tienen en la población,

en sus síntomas, en su capacidad para hacer lo que desean y en definitiva en

si viven o mueren. Los resultados en salud incluyen si el proceso de una

determinada enfermedad mejora o empeora, cuáles son los costes de su

cuidado y cuál es la satisfacción de los pacientes con los cuidados recibidos.

Por tanto, se ha modificado el enfoque desde “qué es lo que se hace” a los

pacientes con “que resultados se obtienen” con lo que se hace.

Desde hace unos años, se vienen desarrollando distintas aplicaciones

informáticas destinadas a la introducción por parte de los pacientes, de algunas

medidas de resultado, especialmente síntomas tales como por ejemplo dolor o

vómitos. Para su empleo resulta crítico un manejo informático básico por parte

de los pacientes, así como técnicas formativas adecuadas y validadas.

30

3. Bibliografía

1. Araya Alpízar C., Galindo Vilardon MP. Tamaño de la muestra en

investigación clínica. MedClin (Barc) 2009; 133 (1): 26-30.

2. Chan AW., Hróbjartsson A., Haahr MT., Gotzsche PC., Altman DG.

Empirical evidence for selective reporting of outcomes in randomized trials.

Comparison of protocols to published articles. JAMA 2004; 291: 2457-2465.

3. Hopewell S., Loudon K., Clarke MJ., Oxman AD., Dickersin K. Publication

bias in clinical trials due to statistical significance or direction of trial results.

2009; Cochrane Database of Systematic reviews, Issue 1. Art. Nº

MR000006. DOI: 10.1002/14651858.MR000006.pub3.

4. Marrugat J., Vila J., Pavesi J, Sanz F. Estimación del tamaño de muestra

en la investigación clínica y epidemiológica. MedClin (Barc) 1998; 111: 267-

276.

5. Martínez Gonzalez M.A., Sánchez-Villegas A., Toledo Atucha E.A., Faulin

Fajardo J. Bioestadística amigable. 3ª Ed. Elsevier España S.L. Barcelona,

2014.

6. Pocock SJ., Stone GW. Theprimaryoutcomeis positive- Isthatgoodenough?.

N Engl J Med 2016; 375: 971-979.

7. Scherer RW., Langenberg P., Von Elm E. Full publication of results initially

presented in abstracts. 2007; In: The Cochrane library. Issue 2. Art Nº

MR000005. DOI: 10.1002/14651858.MR000005.pub3.

8. Von Elm E., Poglia G., Walder B., Tramer MR. Different patterns of

duplicate publication. Analysis of articles used in systematic reviews. JAMA

2004; 291: 974-980.