Medidas de efecto: se obtienen al comparar medidas de frecuencia entre 2 poblaciones

• Objetivo: cuantificar la fuerza de la asociación entre características/exposición/intervención y un resultado/enfermedad/evento para establecer una relación causa-efecto
• Pueden ser:
  
  • Razones (cocientes): Medidas de efecto en escala multiplicativa, dividir una medida de frecuencia en un grupo respecto la misma medida de frecuencia en el otro grupo
  • Diferencias (restas): Medida de efecto en la escala aditiva, restar una medida de frecuencia en un grupo respecto la misma medida de frecuencia en el otro grupo

Estudios:

• De cohorte o ensayos controlados aleatorios(incidencia acumulada)
  
  • Riesgos relativo o razón de riesgos = Incidencia acumulada en expuestos / Incidencia acumulada en no expuestos
  • Odds ratio = Odds del resultado en el grupo de interés / Odds del resultado en el grupo de referencia
• De cohorte o ensayos controlados aleatorios (tasa de incidencia)
  
  • Riesgo relativo o razón de tasas = Tasa de incidencia en expuestos o tratados / Tasa de incidencia en no expuestos o no tratados
• De casos y controles
  
  • Odds ratio = Odds de exposición en el grupo de los casos / Odds de exposición en el grupo de los controles
• Estudios de cortes transversales (encuestas)
  
  • Razón de prevalencia = Prevalencia de la característica en el grupo de interés / prevalencia al grupo de referencia
  • Odds ratio de prevalencia = Odds del resultado en el grupo de interés / Odds del resultado en el grupo de referencia

Estudios:

• De cohorte o ensayos controlados aleatorios (incidencia acumulada)
  
  • Diferencia de riesgos (exceso de riesgo o riesgo atribuible) = Incidencia acumulada en expuestos - Incidencia acumulada en no expuestos
• De cohorte o ensayos controlados aleatorios
  
  • Diferencia de tasas = Tasa de incidencia en expuestos - Tasa de incidencia en no expuestos

La distribución de la tabla es muy importante:

• Columnas: Resultado+/evento/enfermedad de interés
• Filas: Tratamiento de interés o exposición

• Riesgo relativo = (a/a+b)/(c/c+d)
• Odds ratio, 2 tipos, acaban dando el mismo resultado
  
  • De resultado = (a/b)/(c/d) o (ad/bc)
  • De exposición = (a/c)/(b/d) o (ad/bc)
• Diferencia de riesgos = (a/a+b)-(c/c+d)

• Valor nulo = 1
• Factor de riesgo relativo - valores desde 1 hasta infinito
• Factor protector - valor comprendido entre 0 y 1

Cuando se da un factor protector, para saber el porcentaje de cuán protector es, se hace restando el riesgo relativo a 1

La Odds ratio y el Riesgo relativo pueden dar valores iguales o cercanos cuando el número de pacientes/eventos es bajo

Se dan con las variables confusoras, se halla una medida de asociación o de efecto entre una exposición y un resultado que no es real y que suele estar distorsionado por una tercera variable

Se realizan restas para calcular el riesgo atribuible
Se suma el riesgo atribuible de las 2 variables separadas y se compara con el riesgo atribuible de la combinación de ambas
Puede seguir la escala aditiva o modificar el efecto en la escala aditiva (aumentándolo o reduciéndolo)

Se realizan divisiones para calcular el riesgo atribuible
Se multiplica el riesgo atribuible de las 2 variables separadas y se compara con el riesgo atribuible de la combinación de ambas
Puede seguir la escala multiplicativa o modificar el efecto en la escala multiplicativa (aumentándolo o reduciéndolo)

• Medir la variabilidad en los datos para evaluar el papel del azar
• Obtener medidas después de corregir los posibles sesgos

• Estimación puntual: usar los datos de la muestra para calcular un único valor, que servirá como mejor estimador del parámetro que queremos estimar a nivel poblacional
• Estimación por intervalo: Uso de los datos muestrales para el cálculo de un rango de posibles o probables valores del parámetro poblacional de interés

• Forma más convencional de una estimación de intervalo en estadísticas frecuentistas
• Rango de valores calculados un número determinado de veces en muestras aleatorias de la misma población, que la mayoría de veces contendrían el parámetro de interés
• Esto se dará si los datos están bien recogidos, el análisis es válido, no hay errores ni sesgos
• No es un margen de error aunque lo interpretemos así
  
  

Cuanto más estrecho es el intervalo de confianza mayor precisión tendrá el cálculo del estimador puntual

Interpretación popular: cifra mítica que nos confirma o nos rechaza una hipótesis nula en un artículo

• p<0,05 - estadísticamente significativo
• p>0,05 - no estadísticamente significativo

El valor P es una medida continua de la compatibilidad entre los datos y la hipótesis nula
El valor P es la probabilidad de que los datos obtenidos y la hipótesis nula estén alejados

• P=1 - representa la compatibilidad máxima
• P=0 - representa la incompatibilidad completa