BASES CIENTIFICAS DE LA INVESTIGACION Y FARMACOLOGIA

CLINICA

1

Clase III, 13 Octubre 2012

Estadística en investigación clínica

Objetivos Clase III

2

- Conocer pruebas estadísticas básicas para comparar 2 grupos o 3+ grupos.- Identificar modelos estadísticos básicos- Entender medidas de asociación estadística.

Hipótesis estadística

• Ensayos Superioridad

– Nula: Efecto de A no es diferente a Efecto de B

– Alternativa: Effect de A es diferente a Efecto de B

• Ensayos No-inferioridad

– Nula: Efecto de A no es no-inferior a Efecto de B

– Alternativa: Efecto de A es no-inferior a Efecto de B

3

p

• Uso muy frecuente en investigación médica.

• Probabilidad que dos o más grupos de valores sean diferentes entre sí dejando de lado el azar (nivel α).

• No indica dirección de asociación.

• No indica fuerza de asociación.

• No permite comparación con otro p.

4

Ejemplos p

• p=0.1

• p<0.0001

• p=0.04 vs. p=0.06

5

IC 95%

• Uso regularmente frecuente en investigación médica.

• Variabilidad alrededor de una medida de asociación.

• Da información acerca de significancia, dirección y fuerza de asociación, tamaño de muestra y número de eventos.

6

Ejemplos IC 95%

• OR 3.2 (IC 95% 0.6-6.4)

• HR 1.4 (IC 95% 1.2-1.6) vs 0.6 (0.4-0.8)

• RR 2.0 (IC 95% 1.8-2.2) vs. (IC 95% 1.2-2.9)

7

Comparación de dos grupos

• Continuas:

– n≥25: t-test

– n<25: Wilcoxon rank-sum test

• Categóricas:

– Mayoría de casos: Chi-square test

– Si n<5 en celdas: Fisher test

8

Comparación de ≥3 grupos

• Continuas:

– n≥25: One-way ANOVA

– n<25: Kruskal-Wallis test

• Categóricas:

– Mayoría de casos: Chi-square test

– Si n<5 en celdas: Fisher test

9

Modelo lineal

• Variable dependiente: Continua, distribución normal.

• Variables independientes: Continuas y/o categóricas.

• Se asume: linearidad, normalidad, homocedasticidad de residuals (Yobs –Ypredicho).

10

11

12

Interpretación: Y=β0+β1X1+β2X2+…

Modelo logístico

• Variable dependiente: Dicotómica

• Variables independientes: Continuas y/o categóricas.

• Odds= 1/(1-p); p=probabilidad

• Log(odds)=β0+β1X1+β2X2+…

13

14

Interpretación: p(Y)=1/(1+e–(β0+β1X1+β2X2+…))

Modelo Poisson

• Variable dependiente: Cuenta/Rate, distribución Poisson.

• Variables independientes: Continuas y/o categóricas.

• Cuenta: Numero de hospitalizaciones

• Rate: Numero de hospitalizaciones x 1000pac

15

16

Interpretación:Cuenta: Log(Y)=β0+β1X1+β2X2+…Rate: Log(Y/p-t)=β0+β1X1+β2X2+…

Modelo Cox

• Variable dependiente: Dicotómica, tiempo de seguimiento conocido.

• Variables independientes: Continuas y/o categóricas.

• Asume: Hazards proporcionales en el tiempo (hazard=riesgo de evento a determinado t).

17

18

19

20

Interpretación:

h(t)=h0(t)*e(β0+β1X1+β2X2+…)

S(t)=S0(t)e(β0+β1X1+β2X2+…)

Odds Ratio (OR)

OR=odds casos/odds control

Odds=1/(1-p)

P=1/(1+odds)

OR=eβ (de modelo logístico)

OR de tabla 2x2

21

Risk Ratio (RR) vs Rate Ratio (RaR)

RR=riesgo casos/riesgo controlRaR=rate casos/rate control

riesgo=eventos/totalrate=eventos/person-time

RR de tabla 2x2RaR=eβ (de modelo Poisson)

22

Hazard Ratio (HR)

HR=hazard casos/hazard control

h(t)=events(t)/total(t)

HR=eβ (de modelo Cox)

23

Risk Difference (RD)

RD= riesgo casos - riesgo control

Diferencia de riesgos absolutos

24

Number needed to treat (NNT)

NNT= 1/RD

Numero de pacientes a tratar para evitar un evento clinico

25

Number needed to harm (NNH)

NNH= 1/RI

RI: incremento de riesgo de evento adverso entre casos y controles

Numero de pacientes a tratar para producir un evento adverso

26

Population attibutable risk (PAR)

PAR= I población – I no-exp

PAR%=(PAR/ I población)*100

Porción de la incidencia de enfermedad en la población (exp y no-exp) que es debida a la

exposición.

Incidencia de la enfermedad en la población que seria eliminada si la exposición fuera eliminada

27

Calculo del tamaño de muestra

• Simple vs. Complejo

• La información usada debe ser cercana a realidad que se investiga

• Necesario para protocolo de investigación

• Necesario para publicación

28

Información a considerar

• Número de grupos a comparar

• Medidas absolutas o relativas

• Variabilidad de medidas (sd, var)

• Poder

• Nivel de falsos positivos (α)

• % de pérdida en seguimiento

• Otros: margen NI, one vs. Two sided, etc

29

Fórmulas

30