Please enable JavaScript.
Coggle requires JavaScript to display documents.
EPI12 ERROR ALEATORIO Y SESGO - Coggle Diagram
EPI12 ERROR ALEATORIO Y SESGO
ERRORES Y SESGOS
Tipos de error
Error aleatorio
Depende del tamaño de la muestra
Desviación entre resultado y valor verdadero porque la muestra no coincide con la población, debido al azar
Precisión del estudio baja, genera dispersión aleatoria alrededor del valor real
Principal fuente de error aleatorio es la selección de los individuos incluidos en el estudio
Aspectos importantes:
Como más pequeña la muestra, más grande es la variación aleatoria
La precisión se puede examinar en los intervalos de confianza
Si se repitiera el estudio muchas veces los errores aleatorios se compensarían y la mediana de los resultados seria igual al valor real
Disminuye la sensibilidad del estudio y puede enmascarar diferencias, dando resultados falsamente negativos
A mayor medida muestral, menor error aleatorio
Error sistemático
No depende del tamaño de la muestra
Desviación entre el resultado del estudio y el valor verdadero en todas las medidas y con el mismo sentido
Sesgo: aspecto de metodología que puede conducir a conclusiones diferentes de la realidad
Esto es un problema de validez y no de precisión
Aspectos importantes:
No se corrigen aumentando el tamaño del estudio
Los intervalos de confianza no nos ayudan a valorar su existencia
Si el estudio se repitiera, los errores no se compensarían y la mediana de los resultados seguiría desviándose del valor real
Gran importancia en un estudio
Puede dar resultados falsamente positivos
También puede subestimar e incluso revertir el sentido del efecto
Error que se puede producir por un mal instrumento de medida o mal calibrado
PRECISIÓN Y VALIDEZ
Validez
Validez interna
Capacidad para inferir los resultados de la muestra a la población de donde procede
Debe tener mínimo error aleatorio y debe estar libre de errores sistemáticos
Depende de la calidad del estudio
Las conclusiones del estudio tendrán validez interna cuando se ajusten a lo que ha sucedido
Validez externa
Capacidad de generalizar los resultados a la población general, extrapolar los resultados
Desde una población más extensa o a nivel de una teoría científica
La validez interna es un requisito para que está generalización tenga sentido
La muestra debe ser representativa de la población en estudio
Falta de error sistemático
CLASIFICACIÓN DE LOS SESGOS
Sesgo de selección
Sesgo de Neyman o de supervivencia selectiva
Si la exposición de interés se asocia al pronóstico de la enfermedad
Sesgo o paradoja de Berkson
Asociación espuria entre 2 factores que han influido en la probabilidad de hospitalización
Desviación en la estimación por la inclusión preferencial de subgrupos de la población
Los estudios de casos y controles son susceptibles a este sesgo
Autoinclusión o exclusión de ciertos individuos
Autoselección
Falta de respuesta de algunos individuos
Perdidas de seguimiento con mayor riesgo de exposición a la enfermedad que estamos estudiando
Mala elección del grupo control
Muestra no representativa - Sesgo de Berkson
Supervivencia selectiva - Sesgo de Neyman
Sesgo de detección
Sesgo de información
Sesgo de información diferencial
o no random
La probabilidad de información incorrecta es diferente según el grupo
Incrementa la diferencia entre los resultados entre ambos grupos
Puede exagerar las asociaciones positivas o negativas y alejarse de la hipótesis nula
Ejemplos:
Sesgo de recuerdo o de memoria
Sesgo de detección o diagnóstico
Sospecha de la exposición en casos
Sesgo de información no diferencial
o random
Clasificación errónea de los individuos pero que tiene la misma probabilidad en ambos grupos
Sesgo a favor de la hipótesis nula, impide poner de manifiesto diferencias entre los grupos
Ejemplos:
Errores en las medidas o determinaciones
Limitaciones de los criterios diagnósticos
Limitaciones de los aparatos de medida o mal calibrados
Limitaciones de los cuestionarios y encuestas deficientes
Errores en la codificación o registro de datos
Desviación en estimar un efecto al recoger los datos de los individuos, puede ser diferencial o no diferencial
Sesgo de confusión
Requisitos de un factor de confusión
Se debe asociar a la enfermedad en ausencia de exposición, debe ser un factor de riesgo de la enfermedad
Se debe asociar a la exposición estudiada sin ser una consecuencia de dicha exposición
No puede ser etapa intermedia en la secuencia casual entre la exposición y la enfermedad
Desviación en estimar el efecto de una exposición debida al efecto añadido de otra variable no detectada
Clasificación de los sesgos según el efecto
Sesgo negativo
El
resultado del estudio se aproxima al de la hipótesis nula
o de no asociación entre exposición y enfermedad
Sesgo positivo
El
resultado del estudio se aleja de la hipótesis nula
de no asociación entre exposición y enfermedad
ESTRATEGIAS PARA EVITAR SESGOS
¿Como prevenimos la confusión en el diseño?
Asignación aleatoria
Restricción: inclusión limitada a individuos con ciertos valores en variantes de confusión
Equiparación (emparejamiento)
Análisis de un estudio
Control de la confusión de un estudio
Estratificación
Distribución de los sujetos en estratos según el valor del posible factor de confusión
Cada estrato se analiza de forma separada
Se estima una mediana ponderada
Análisis multivariable
La regresión logística múltiple permite el estudio simultáneo de 2 o más factores de riesgo
Resultados erróneos de un estudio
Estudio de resultados falsamente positivos: se encuentran diferencias cuando no existen, sean de signo negativo o positivo
Sesgo de información (de memoria)
Sesgo de selección
Base del estudio distorsionada
Sesgo de publicación
Resultados falso negativos: no se encuentran diferencias cuando en realidad existen
Falta de potencia del estudio
Falta de sensibilidad
Errores de clasificación
El análisis de un estudio consiste en:
Edición de la base de datos para minimizar la presencia de errores
Estadística descriptiva
Análisis crudo
Análisis estratificado
Análisis multivariable
3 pasos:
1- Análisis univariante - descripción de medidas de frecuencia
2- Análisis bivariante - estudiamos la relación entre dos variables
3- Análisis multivariante - se tienen en cuenta diversas variables en relación a un posible evento, necesita un tamaño de muestra muy grande
Aspectos generales:
Selección de la pregunta de investigación
Selección de la población
Participación de los individuos en el estudio
Valoración de la situación de base de los participantes y de los factores que pueden causar la enfermedad
Seguimiento de los participantes
Medida de los resultados
Análisis, presentación, interpretación y publicación de los datos del estudio