Ringelman.Cómo estudiar un estudio_7ed

67

MAARIE. Marco: interpretación y extrapolación

Capítulo

que aquellos con una enfermedad más grave tengan peores respuestas al tratamiento o que aquellos que reciben uno más intensivo tengan mejores respuestas que el promedio. Después, el investigador podría examinar estos subgrupos de manera independiente de los resultados de la investigación general. Otro abordaje sostiene que no debería hacerse el análisis de subgrupos, a menos que los resultados obtenidos con el uso de todos los datos del estudio hayan mostrado signi cación estadística. En este abordaje, si se obtiene un resultado estadísticamente signi cativo con base en la hipótesis principal utilizando toda la población de estudio, se pueden examinar algunos subgrupos grandes, idealmente de nidos de forma previa al suceso. Independientemente del abordaje aplicado, el investigador debe limitar el número de subgrupos examinados, informar todos los análisis de subgrupos realizados y tener en cuenta el número de los subgrupos examinados al sacar conclusiones. e Es en especial importante tener cuidado al sacar conclusiones de los análisis de subgrupos que se realizaron en ausencia de un resultado general estadísticamente signi cativo mediante el análisis después del suceso. Las consecuencias de este tipo de abordaje se ilustran en el siguiente ejemplo:

Miniestudio 3-6

En la investigación de un nuevo tratamiento para el cáncer de pulmón no se encontraron diferencias estadísticamente

significativas entre este y el convencional. Sin embargo, después de examinar un gran número de subgrupos después del suceso, los investigadores encontraron que aquellos que presentaban lesiones primarias en el lado izquierdo tenían una mejoría estadísticamente significativa en la longevidad.

Como ocurre con las comparaciones múltiples en general, cuando se ponderan muchos sub- grupos, con frecuencia se encontrará uno o más estadísticamente signi cativos, en especial cuando no se presenta hipótesis alguna previa al suceso, es decir, antes de la investigación. Sin un hallazgo general de signi cación estadística y sin una hipótesis inicial de que las lesiones primarias del lado izquierdo responderán mejor, se debe ser muy cauteloso al interpretar estos resultados. Interacciones Como parte de la investigación de subgrupos, es posible que se pueda aprender sobre las interacciones entre los factores que producen mejores o peores resultados. Las interacciones entre factores pueden operar para producir una enfermedad o afectar su evolución. A pesar de la importancia de las interacciones, los métodos estadísticos para identi carlas e inte- grarlas en el análisis de datos son limitados. Los métodos estadísticos formales, por lo general, requieren signi cación estadística antes de etiquetar la relación entre dos factores como interacción. Debido al bajo poder estadístico para identi car la interacción estadística, su ausencia no debe equipararse con la correspondiente de interacción biológica. f En algunas ocasiones, el impacto de las interacciones resulta tan grande que se puede de- mostrar que son estadísticamente signi cativas. En estas situaciones, se agregan como un factor o variable adicional junto con las variables de confusión. Cuando se determina que las interacciones son estadísticamente signi cativas, es importante centrarse en su interpretación, como se ilustra en el siguiente ejemplo: e Muchos especialistas en bioestadística recomiendan que se lleve a cabo una evaluación inicial del resultado del tratamiento a través de los valores de cada una de las características iniciales para ponderar la consistencia de su efecto. Este análisis debe distinguirse del análisis de subgrupos específico, idealmente previo al suceso. 5,6 f Se ha argumentado que el uso de un valor de P de 0.05 no resulta apropiado para las pruebas de significación estadística de interacción, debido a su baja potencia. Además, existe el argumento de que la interacción no debe estar sujeta en absoluto a las pruebas de significa- ción estadística. Debe considerarse que no se somete a las variables de confusión a pruebas de significación estadística. Sin embargo, las interacciones son muy frecuentes, y si se introduce una gran cantidad de términos de interacción en un análisis de regresión, se reduce su poder para demostrar la significación estadística de la relación primaria. Posiblemente esta sea el razón por la que hay una gran resistencia a elevar el valor de P aceptable para definir la interacción o para eliminar el uso de pruebas de significación estadística para esta. Cuando no se incluye un término de interacción en un análisis, en la interpretación se asume que el impacto de incluirlo en los factores de análisis es aditivo.