MÉDICO DE FAMILIA SAS. Tema 19. Estadística para la gestión clínica y la gestión del conocimiento: Principales herramientas e indicadores en estadística descriptiva. Error aleatorio. Test de hipótesis y errores cometidos en los contrastes. Significación estadística. Bases e interpretación de las principales pruebas usadas en el análisis bivariante y en el análisis multivariante, y de las curvas de supervivencia.

MÉDICO DE FAMILIA SAS
Tema 19 – Estadística para la gestión clínica y la gestión del conocimiento

📊 Tema 19. Estadística para la gestión clínica y la gestión del conocimiento

🎯 Introducción al Tema

Relevancia para el Médico/a de Familia del SAS

La estadística constituye el lenguaje universal de la medicina basada en la evidencia, y para un Médico/a de Familia en el Servicio Andaluz de Salud, dominar estas herramientas no es solo una exigencia académica, sino una necesidad práctica diaria. En vuestra consulta de Atención Primaria, cada decisión clínica, cada interpretación de una prueba diagnóstica, cada valoración de un tratamiento y cada análisis de resultados poblacionales requiere de un sólido conocimiento estadístico.

Situaciones cotidianas donde aplicáis estadística:

Cuando evaluáis la sensibilidad y especificidad de una prueba de cribado del cáncer colorrectal, cuando interpretáis los resultados de un ensayo clínico para decidir si prescribir un nuevo antidiabético, cuando participáis en investigación en vuestro centro de salud analizando la efectividad de una intervención educativa, o cuando revisáis los indicadores de calidad de vuestro cupo de pacientes en el sistema Diraya.

Importancia en la Oposición

Este tema tiene un peso considerable en el examen del SAS, no solo como tema independiente, sino porque sus conceptos se aplican transversalmente en epidemiología, investigación, medicina preventiva y gestión clínica. Los evaluadores suelen preguntar sobre interpretación de estudios, cálculo de indicadores y análisis de resultados de investigación aplicada a Atención Primaria.

Conexión con la Práctica Clínica Diaria

Imaginad que estáis evaluando un nuevo protocolo de seguimiento de pacientes diabéticos en vuestro centro de salud. Necesitáis comparar los resultados de HbA1c antes y después de la intervención, determinar si las diferencias son estadísticamente significativas, y analizar qué variables influyen en el control glucémico. Todo esto requiere dominar desde estadística descriptiva hasta análisis multivariante.

Esquema del Tema

  1. Estadística descriptiva: Herramientas e indicadores fundamentales
  2. Error aleatorio: Concepto y implicaciones clínicas
  3. Test de hipótesis: Errores tipo I y II, significación estadística
  4. Análisis bivariante: Principales pruebas estadísticas
  5. Análisis multivariante: Bases e interpretación
  6. Curvas de supervivencia: Análisis e interpretación
  7. Aplicación práctica en el SAS

📈 Desarrollo Exhaustivo del Tema

1. Estadística Descriptiva: Herramientas e Indicadores Fundamentales

1.1 Conceptos Básicos

La estadística descriptiva nos permite resumir, organizar y presentar datos de manera comprensible. Como médicos de familia, la utilizamos constantemente para caracterizar nuestras poblaciones y evaluar intervenciones.

1.2 Tipos de Variables

Variables cualitativas (categóricas):

  • Nominales: Sexo, grupo sanguíneo, presencia/ausencia de patología
  • Ordinales: Grado de disnea (NYHA), estadio tumoral, escala de dolor

Variables cuantitativas (numéricas):

  • Discretas: Número de consultas, número de hijos, episodios de crisis asmática
  • Continuas: Peso, talla, presión arterial, glucemia

1.3 Medidas de Tendencia Central

Media aritmética (x̄): Suma de todos los valores dividida entre el número total de observaciones. Es sensible a valores extremos.

x̄ = Σxi / n

Mediana: Valor que divide la distribución en dos partes iguales. Menos sensible a valores extremos que la media.

Moda: Valor que se presenta con mayor frecuencia en la distribución.

Ejemplo práctico: En vuestro cupo de 1.500 pacientes diabéticos, la HbA1c media es 7.2%, la mediana 7.0% y la moda 6.8%. Esto indica una distribución ligeramente asimétrica hacia valores altos, sugiriendo que algunos pacientes tienen mal control glucémico.

1.4 Medidas de Dispersión

Rango: Diferencia entre el valor máximo y mínimo.

Desviación estándar (σ o s): Medida de dispersión más utilizada, expresa la variabilidad promedio de los datos respecto a la media.

s = √[Σ(xi – x̄)² / (n-1)]

Varianza: Cuadrado de la desviación estándar.

Coeficiente de variación: (Desviación estándar / Media) × 100. Permite comparar variabilidades entre diferentes variables.

1.5 Medidas de Posición

Percentiles: Dividen la distribución en 100 partes iguales. El percentil 90 de peso infantil significa que el 90% de los niños pesan menos que ese valor.

Cuartiles: Dividen la distribución en cuatro partes iguales (Q1, Q2=mediana, Q3).

1.6 Representación Gráfica

Variables cualitativas: Gráficos de barras, sectores (tartas)

Variables cuantitativas: Histogramas, polígonos de frecuencia, diagramas de caja (box-plot)

2. Error Aleatorio

2.1 Concepto Fundamental

El error aleatorio es la variación no sistemática que se produce en cualquier medición debido a factores impredecibles. A diferencia del error sistemático (sesgo), el error aleatorio es inevitable pero se puede cuantificar y controlar.

Características del error aleatorio:

  • Es impredecible en cada medición individual
  • Se distribuye de forma aleatoria alrededor del valor verdadero
  • Se puede reducir aumentando el tamaño muestral
  • Afecta a la precisión pero no a la validez de nuestros resultados

2.2 Implicaciones Clínicas

En vuestra práctica, el error aleatorio se manifiesta cuando repetís una tensión arterial y obtenéis valores ligeramente diferentes, o cuando dos laboratorios analizan la misma muestra y reportan resultados similares pero no idénticos.

2.3 Control del Error Aleatorio

  • Aumentar el tamaño muestral: Reduce el error estándar
  • Estandarizar procedimientos: Minimiza la variabilidad técnica
  • Repetir mediciones: Permite calcular promedios más precisos
  • Calibrar equipos: Reduce la variabilidad instrumental

3. Test de Hipótesis y Errores en los Contrastes

3.1 Fundamentos del Contraste de Hipótesis

El contraste de hipótesis es un procedimiento estadístico que nos permite tomar decisiones sobre parámetros poblacionales basándonos en información muestral. Es fundamental para interpretar estudios clínicos y evaluar la efectividad de tratamientos.

Hipótesis nula (H₀): Afirma que no existe diferencia o relación. Ej: «El nuevo antihipertensivo no es más efectivo que el tratamiento estándar»

Hipótesis alternativa (H₁): Afirma lo contrario a H₀. Ej: «El nuevo antihipertensivo es más efectivo»

3.2 Tipos de Errores en los Contrastes

Error Tipo I (α):

  • Definición: Rechazar H₀ cuando es verdadera (falso positivo)
  • Ejemplo clínico: Concluir que un tratamiento es efectivo cuando en realidad no lo es
  • Probabilidad: Nivel de significación (usualmente α = 0.05)
  • Consecuencias: Adoptar tratamientos inefectivos, gastos innecesarios

Error Tipo II (β):

  • Definición: No rechazar H₀ cuando es falsa (falso negativo)
  • Ejemplo clínico: Concluir que un tratamiento no es efectivo cuando sí lo es
  • Probabilidad: Depende del tamaño del efecto y del tamaño muestral
  • Consecuencias: Perder oportunidades terapéuticas efectivas

3.3 Potencia Estadística

La potencia (1-β) es la probabilidad de detectar una diferencia cuando realmente existe. Una potencia del 80% significa que hay un 80% de probabilidad de detectar una diferencia real.

Factores que aumentan la potencia:

  • Mayor tamaño muestral
  • Mayor tamaño del efecto
  • Menor variabilidad en los datos
  • Mayor nivel de significación (α)

3.4 Significación Estadística

Un resultado es estadísticamente significativo cuando la probabilidad de obtenerlo por azar (valor p) es menor que el nivel de significación preestablecido (α).

Valor p: Probabilidad de obtener un resultado igual o más extremo que el observado, asumiendo que H₀ es verdadera.

Interpretación práctica:

  • p < 0.001: Evidencia muy fuerte contra H₀
  • p < 0.01: Evidencia fuerte contra H₀
  • p < 0.05: Evidencia moderada contra H₀
  • p ≥ 0.05: Evidencia insuficiente contra H₀

¡Atención!: Significación estadística ≠ Relevancia clínica. Un resultado puede ser estadísticamente significativo pero clínicamente irrelevante, especialmente con muestras muy grandes.

4. Análisis Bivariante: Principales Pruebas Estadísticas

4.1 Selección de la Prueba Estadística Adecuada

La elección de la prueba estadística depende de:

  • Tipo de variables (cualitativas vs cuantitativas)
  • Número de grupos a comparar
  • Distribución de los datos (normal vs no normal)
  • Independencia de las observaciones

4.2 Comparación de Medias

t-Student para muestras independientes:

  • Uso: Comparar medias de dos grupos independientes
  • Requisitos: Distribución normal, varianzas homogéneas
  • Ejemplo: Comparar la presión arterial sistólica entre hombres y mujeres

t-Student para muestras pareadas:

  • Uso: Comparar medias antes y después en los mismos sujetos
  • Ejemplo: Evaluar el efecto de un antihipertensivo comparando la PA antes y después del tratamiento

ANOVA (Análisis de Varianza):

  • Uso: Comparar medias de tres o más grupos
  • Ejemplo: Comparar los niveles de colesterol entre pacientes que reciben tres tratamientos diferentes

4.3 Pruebas No Paramétricas

U de Mann-Whitney:

  • Uso: Alternativa no paramétrica a t-Student para muestras independientes
  • Ejemplo: Comparar medianas de tiempo de espera en consulta entre dos centros de salud

Wilcoxon:

  • Uso: Alternativa no paramétrica a t-Student para muestras pareadas
  • Ejemplo: Evaluar cambios en escalas de dolor antes y después de una intervención

Kruskal-Wallis:

  • Uso: Alternativa no paramétrica a ANOVA
  • Ejemplo: Comparar medianas de satisfacción del paciente entre múltiples consultorios

4.4 Análisis de Variables Cualitativas

Chi-cuadrado (χ²):

  • Uso: Evaluar asociación entre dos variables categóricas
  • Ejemplo: Determinar si existe asociación entre tabaquismo y desarrollo de EPOC
  • Requisitos: Frecuencias esperadas ≥ 5 en al menos 80% de las celdas

Test exacto de Fisher:

  • Uso: Cuando no se cumplen los requisitos de chi-cuadrado
  • Ejemplo: Analizar la asociación entre un tratamiento y la aparición de un efecto adverso raro

4.5 Medidas de Asociación

Coeficiente de correlación de Pearson (r):

  • Rango: -1 a +1
  • Interpretación: |r| > 0.7 correlación fuerte, 0.3-0.7 moderada, < 0.3 débil
  • Ejemplo: Correlación entre IMC y presión arterial sistólica

Coeficiente de correlación de Spearman (ρ):

  • Uso: Variables ordinales o cuando no hay distribución normal
  • Ejemplo: Correlación entre grado de disnea y calidad de vida

5. Análisis Multivariante: Bases e Interpretación

5.1 Concepto y Utilidad

El análisis multivariante permite estudiar simultáneamente múltiples variables para controlar factores de confusión y identificar relaciones complejas. Es esencial para la investigación clínica moderna y la medicina basada en evidencias.

5.2 Regresión Lineal Múltiple

Aplicación: Predecir una variable cuantitativa (dependiente) a partir de múltiples variables predictoras (independientes).

Y = β₀ + β₁X₁ + β₂X₂ + … + βₖXₖ + ε

Interpretación de coeficientes:

  • β₀: Intercepto (valor de Y cuando todas las X = 0)
  • βᵢ: Cambio esperado en Y por cada unidad de cambio en Xᵢ, manteniendo constantes las demás variables

Ejemplo práctico: Predecir la HbA1c de pacientes diabéticos usando edad, IMC, años de evolución y adherencia al tratamiento. Si β₁ (IMC) = 0.08, significa que por cada unidad de aumento en el IMC, la HbA1c aumenta 0.08%, controlando por las demás variables.

5.3 Regresión Logística

Aplicación: Predecir la probabilidad de un evento binario (sí/no, éxito/fracaso).

Odds Ratio (OR): Medida de asociación que expresa cuántas veces es más probable que ocurra el evento en presencia del factor de riesgo.

  • OR = 1: No hay asociación
  • OR > 1: Factor de riesgo
  • OR < 1: Factor protector

Ejemplo clínico: En un modelo que predice el riesgo de infarto, si el OR para tabaquismo es 2.5 (IC 95%: 1.8-3.4), significa que los fumadores tienen 2.5 veces más probabilidad de sufrir un infarto que los no fumadores, controlando por otras variables.

5.4 Regresión de Cox

Aplicación: Analizar el tiempo hasta que ocurre un evento, considerando múltiples variables predictoras.

Hazard Ratio (HR): Indica el riesgo instantáneo de que ocurra el evento en un grupo comparado con otro.

6. Curvas de Supervivencia: Análisis e Interpretación

6.1 Conceptos Fundamentales

Análisis de supervivencia: Conjunto de técnicas estadísticas para analizar el tiempo hasta que ocurre un evento de interés (muerte, recidiva, curación, etc.).

Características especiales:

  • Datos censurados: No todos los sujetos experimentan el evento durante el seguimiento
  • Tiempo de seguimiento variable: Los pacientes pueden entrar al estudio en momentos diferentes
  • Función de supervivencia S(t): Probabilidad de que un individuo sobreviva más allá del tiempo t

6.2 Método de Kaplan-Meier

Es el método más utilizado para estimar curvas de supervivencia cuando tenemos datos censurados.

Características de la curva:

  • Comienza en S(0) = 1 (100% de supervivencia al inicio)
  • Es una función decreciente (no aumenta con el tiempo)
  • Cada «escalón» representa un evento
  • Las censuras se marcan pero no provocan descenso en la curva

6.3 Comparación de Curvas de Supervivencia

Test de log-rank: Compara las curvas de supervivencia de dos o más grupos.

  • H₀: No hay diferencias en supervivencia entre grupos
  • H₁: Existen diferencias en supervivencia

6.4 Interpretación Clínica

Ejemplo práctico: Comparamos la supervivencia libre de eventos cardiovasculares entre pacientes diabéticos con y sin tratamiento intensivo. Si a los 5 años la supervivencia es del 85% vs 70%, y el p-valor del log-rank es 0.02, podemos concluir que existe una diferencia estadísticamente significativa favorable al tratamiento intensivo.

Medidas importantes:

  • Supervivencia mediana: Tiempo en el que el 50% de los pacientes han experimentado el evento
  • Supervivencia a 5 años: Porcentaje de pacientes libres del evento a los 5 años
  • Intervalos de confianza: Expresan la incertidumbre de nuestras estimaciones

🏥 Contextualización Andaluza y del SAS

Aplicación en el Sistema Sanitario Público Andaluz

Herramientas y Sistemas del SAS

Sistema Diraya: La historia clínica digital del SAS genera continuamente datos estadísticos que requieren interpretación correcta:

  • Indicadores de calidad: Porcentaje de diabéticos con HbA1c < 7%, prevalencia de hipertensión controlada
  • Análisis de prescripción: Comparación de costes farmacéuticos entre diferentes consultorios
  • Estudios de utilización: Análisis de patrones de derivación a especializada

Base Poblacional de Salud (BPS): Permite realizar estudios epidemiológicos utilizando técnicas estadísticas avanzadas para identificar patrones de morbilidad y factores de riesgo en la población andaluza.

Planes y Estrategias Relacionados

Estrategia de Seguridad del Paciente del SSPA: Utiliza análisis estadístico para:

  • Identificar patrones en eventos adversos
  • Evaluar la efectividad de intervenciones de mejora
  • Realizar benchmarking entre centros

Procesos Asistenciales Integrados (PAIs): Incorporan indicadores estadísticos para monitorizar la calidad asistencial y evaluar resultados en salud.

Investigación en Atención Primaria

La Unidad de Investigación del Distrito Sanitario utiliza métodos estadísticos para:

  • Diseñar y analizar estudios clínicos en AP
  • Evaluar intervenciones comunitarias
  • Publicar resultados en revistas científicas

🎯 Enfoque Específico para la Oposición

Puntos Clave/»Perlas» de Examen

  • Nivel de significación más común: α = 0.05 (5%)
  • Potencia estadística recomendada: 80% (β = 0.20)
  • Correlación fuerte: |r| > 0.7
  • Chi-cuadrado: Requiere frecuencias esperadas ≥ 5 en ≥ 80% de celdas
  • Intervalo de confianza del 95%: No incluye el valor nulo si p < 0.05
  • Error estándar de la media: σ/√n (disminuye con mayor tamaño muestral)

Errores Comunes a Evitar

  • Confundir significación estadística con relevancia clínica
  • Interpretar el valor p como la probabilidad de que H₀ sea verdadera
  • Usar pruebas paramétricas sin verificar sus supuestos
  • Confundir correlación con causalidad
  • No considerar el efecto del tamaño muestral en la interpretación

Tipos de Preguntas de Examen

  • Selección de prueba estadística: Dado un escenario, elegir el test apropiado
  • Interpretación de resultados: Explicar qué significa un valor p, OR, o IC
  • Identificación de errores: Reconocer errores tipo I y II en contextos clínicos
  • Cálculo de indicadores: Media, desviación estándar, prevalencia
  • Análisis de curvas: Interpretar gráficos de supervivencia

📚 Cuestionario de 25 Preguntas

Pregunta 1 (Actualizada 2025)

En un estudio sobre la efectividad de un nuevo antihipertensivo, se obtiene un valor p = 0.03. ¿Cuál es la interpretación correcta?

A) Hay un 3% de probabilidad de que el tratamiento sea efectivo
B) Hay un 97% de probabilidad de que la hipótesis nula sea falsa
C) Hay un 3% de probabilidad de obtener estos resultados o más extremos si no hay diferencia real
D) El tratamiento reduce la presión arterial en un 3%

✅ Respuesta correcta: C

📌 El valor p representa la probabilidad de obtener el resultado observado (o más extremo) asumiendo que la hipótesis nula es verdadera, no la probabilidad de que el tratamiento sea efectivo.

Pregunta 2 (Actualizada 2025)

¿Cuál es la principal ventaja de usar la mediana frente a la media aritmética?

A) Es más fácil de calcular
B) Es menos sensible a valores extremos
C) Siempre es mayor que la media
D) Se puede usar solo con variables cualitativas

✅ Respuesta correcta: B

📌 La mediana es más robusta frente a valores atípicos, mientras que la media se ve muy afectada por valores extremos.

Pregunta 3 (Actualizada 2025)

En un test de hipótesis, el error tipo II (β) se define como:

A) Rechazar H₀ cuando es verdadera
B) No rechazar H₀ cuando es falsa
C) La probabilidad de detectar una diferencia real
D) El nivel de significación del test

✅ Respuesta correcta: B

📌 El error tipo II consiste en no detectar una diferencia cuando realmente existe (falso negativo clínico).

Pregunta 4 (Actualizada 2025)

¿Qué prueba estadística utilizaría para comparar la presión arterial media entre tres grupos de tratamiento diferentes?

A) t-Student
B) Chi-cuadrado
C) ANOVA
D) Coeficiente de correlación

✅ Respuesta correcta: C

📌 ANOVA permite comparar medias de tres o más grupos simultáneamente, controlando el error tipo I.

Pregunta 5 (Actualizada 2025)

Un coeficiente de correlación de Pearson r = -0.85 indica:

A) Correlación débil negativa
B) Correlación fuerte negativa
C) Correlación moderada positiva
D) No existe correlación

✅ Respuesta correcta: B

📌 |r| > 0.7 indica correlación fuerte. El signo negativo indica que cuando una variable aumenta, la otra disminuye.

Pregunta 6 (Actualizada 2025)

En el sistema Diraya del SAS, ¿cuál sería el indicador estadístico más apropiado para evaluar el control glucémico en diabéticos?

A) Media de glucemias basales
B) Porcentaje de pacientes con HbA1c < 7%
C) Desviación estándar de HbA1c
D) Mediana de edad de diagnóstico

✅ Respuesta correcta: B

📌 Los indicadores de calidad en diabetes se basan en porcentajes de pacientes que alcanzan objetivos terapéuticos, como HbA1c < 7%.

Pregunta 7 (Actualizada 2025)

¿Cuándo utilizaríamos el test exacto de Fisher en lugar del Chi-cuadrado?

A) Cuando tenemos variables continuas
B) Cuando las frecuencias esperadas son menores de 5
C) Cuando queremos calcular correlaciones
D) Cuando comparamos más de dos grupos

✅ Respuesta correcta: B

📌 El test de Fisher se usa cuando no se cumplen los supuestos de Chi-cuadrado, especialmente con frecuencias esperadas < 5.

Pregunta 8 (Actualizada 2025)

La potencia estadística de un test es:

A) La probabilidad de cometer error tipo I
B) 1 – β (uno menos la probabilidad de error tipo II)
C) El valor p del contraste
D) La desviación estándar de la muestra

✅ Respuesta correcta: B

📌 La potencia (1-β) es la probabilidad de detectar una diferencia cuando realmente existe.

Pregunta 9 (Actualizada 2025)

En una curva de supervivencia de Kaplan-Meier, los «escalones» hacia abajo representan:

A) Pacientes censurados
B) Eventos ocurridos
C) Errores de medición
D) Intervalos de confianza

✅ Respuesta correcta: B

📌 Cada descenso en la curva indica que ha ocurrido el evento de interés (muerte, recidiva, etc.).

Pregunta 10 (Actualizada 2025)

En regresión logística, un Odds Ratio de 0.4 indica:

A) Factor de riesgo fuerte
B) Factor protector
C) No hay asociación
D) Error en el cálculo

✅ Respuesta correcta: B

📌 OR < 1 indica factor protector; la variable reduce la probabilidad del evento en un 60% (1-0.4).

Pregunta 11 (Actualizada 2025)

¿Cuál es la alternativa no paramétrica al test t de Student para muestras independientes?

A) Test de Wilcoxon
B) U de Mann-Whitney
C) Test de Kruskal-Wallis
D) Chi-cuadrado

✅ Respuesta correcta: B

📌 La U de Mann-Whitney compara medianas de dos grupos independientes sin asumir distribución normal.

Pregunta 12 (Actualizada 2025)

Un intervalo de confianza del 95% para una diferencia de medias que incluye el valor 0 indica:

A) Significación estadística (p < 0.05)
B) No significación estadística (p ≥ 0.05)
C) Error en el cálculo
D) Necesidad de más datos

✅ Respuesta correcta: B

📌 Si el IC 95% incluye el valor nulo (0 para diferencias), no hay significación estadística.

Pregunta 13 (Actualizada 2025)

En el contexto de Atención Primaria del SAS, ¿qué medida de dispersión sería más informativa para evaluar la variabilidad en los tiempos de espera para citas?

A) Rango
B) Varianza
C) Desviación estándar
D) Coeficiente de variación

✅ Respuesta correcta: C

📌 La desviación estándar se expresa en las mismas unidades que la variable original (días), facilitando la interpretación clínica.

Pregunta 14 (Actualizada 2025)

¿Cuál es el tamaño del efecto mínimo que debería detectar un estudio con potencia del 80%?

A) El que sea clínicamente relevante
B) El más pequeño posible
C) El que corresponda a p < 0.05
D) Depende solo del tamaño muestral

✅ Respuesta correcta: A

📌 El tamaño del efecto a detectar debe basarse en criterios clínicos de relevancia, no solo estadísticos.

Pregunta 15 (Actualizada 2025)

En un estudio de cohortes sobre factores de riesgo cardiovascular, ¿qué técnica estadística sería más apropiada para controlar múltiples factores de confusión?

A) Correlación simple
B) Chi-cuadrado
C) Regresión logística múltiple
D) t-Student

✅ Respuesta correcta: C

📌 La regresión logística múltiple permite controlar simultáneamente múltiples variables confusoras en estudios con variable dependiente binaria.

Pregunta 16 (Actualizada 2025)

El percentil 75 del IMC en una población significa que:

A) El 75% tiene sobrepeso
B) El 75% de los individuos tiene un IMC menor o igual a ese valor
C) La media del IMC es 75
D) Hay un 75% de confianza en el resultado

✅ Respuesta correcta: B

📌 El percentil 75 (Q3) indica que el 75% de la población tiene valores menores o iguales a ese punto.

Pregunta 17 (Actualizada 2025)

Para comparar la efectividad de dos tratamientos midiendo la supervivencia libre de eventos, ¿qué test utilizaría?

A) t-Student
B) Log-rank
C) Chi-cuadrado
D) ANOVA

✅ Respuesta correcta: B

📌 El test de log-rank compara curvas de supervivencia entre dos o más grupos.

Pregunta 18 (Actualizada 2025)

En un modelo de regresión lineal múltiple, el coeficiente de determinación R² = 0.64 indica que:

A) Hay correlación moderada
B) El modelo explica el 64% de la variabilidad
C) El error estándar es 0.64
D) La significación es p = 0.64

✅ Respuesta correcta: B

📌 R² indica el porcentaje de variabilidad de la variable dependiente explicado por el modelo.

Pregunta 19 (Actualizada 2025)

¿Cuándo es apropiado usar el coeficiente de correlación de Spearman en lugar del de Pearson?

A) Solo con variables cualitativas
B) Cuando los datos no siguen distribución normal
C) Cuando queremos causalidad
D) Solo con muestras pequeñas

✅ Respuesta correcta: B

📌 Spearman es una alternativa no paramétrica que no requiere distribución normal y funciona con datos ordinales.

Pregunta 20 (Actualizada 2025)

En el análisis de supervivencia, ¿qué significa «censura por la derecha»?

A) Error en el seguimiento
B) El evento no ha ocurrido al final del seguimiento
C) Pérdida de pacientes
D) Eventos ocurridos al inicio

✅ Respuesta correcta: B

📌 La censura por la derecha ocurre cuando el paciente completa el seguimiento sin experimentar el evento de interés.

Pregunta 21 (Actualizada 2025)

Un resultado estadísticamente significativo (p < 0.05) pero con un tamaño del efecto muy pequeño sugiere:

A) Error en el cálculo
B) Muestra demasiado pequeña
C) Posible falta de relevancia clínica
D) Alta potencia estadística

✅ Respuesta correcta: C

📌 Con muestras muy grandes, diferencias clínicamente irrelevantes pueden alcanzar significación estadística.

Pregunta 22 (Actualizada 2025)

En la Base Poblacional de Salud (BPS) del SAS, para analizar la asociación entre exposición laboral y desarrollo de asma ocupacional, ¿qué diseño y análisis sería más apropiado?

A) Estudio transversal con Chi-cuadrado
B) Estudio de casos y controles con regresión logística
C) Estudio experimental con t-Student
D) Serie de casos con estadística descriptiva

✅ Respuesta correcta: B

📌 Para enfermedades poco frecuentes como el asma ocupacional, un estudio de casos y controles con análisis multivariante es más eficiente.

Pregunta 23 (Actualizada 2025)

¿Cuál es la interpretación correcta de un Hazard Ratio = 1.5 en un análisis de supervivencia?

A) La supervivencia es 1.5 veces mayor
B) El riesgo instantáneo es 50% mayor
C) La mediana de supervivencia es 1.5 años
D) No hay diferencia entre grupos

✅ Respuesta correcta: B

📌 HR = 1.5 indica que el riesgo instantáneo de experimentar el evento es 50% mayor en el grupo expuesto.

Pregunta 24 (Actualizada 2025)

Para evaluar la concordancia entre dos métodos de medición de la presión arterial, ¿qué técnica estadística sería más apropiada?

A) Correlación de Pearson
B) Regresión lineal
C) Método de Bland-Altman
D) Chi-cuadrado

✅ Respuesta correcta: C

📌 El método de Bland-Altman evalúa la concordancia entre métodos de medición, no solo la correlación.

Pregunta 25 (Actualizada 2025)

En un estudio sobre adherencia terapéutica en diabéticos del SAS, ¿qué factor aumentaría más la potencia estadística del estudio?

A) Usar un nivel α = 0.01 en lugar de 0.05
B) Aumentar el tamaño muestral
C) Usar pruebas no paramétricas
D) Calcular más decimales

✅ Respuesta correcta: B

📌 Aumentar el tamaño muestral es la forma más efectiva de incrementar la potencia estadística para detectar diferencias reales.

🗺️ Mapa Conceptual

📊 ESTADÍSTICA PARA GESTIÓN CLÍNICA

📈 1. ESTADÍSTICA DESCRIPTIVA

  • 📊 Variables: Cualitativas vs Cuantitativas
  • 📍 Tendencia Central: Media, Mediana, Moda
  • 📏 Dispersión: Desviación estándar, Varianza, Rango
  • 📌 Posición: Percentiles, Cuartiles

🎯 2. ERROR ALEATORIO

  • ⚡ Variación no sistemática
  • 🔄 Reducible con mayor n
  • 🎪 Afecta precisión, no validez

🔬 3. TEST DE HIPÓTESIS

  • Error Tipo I (α): Falso positivo
  • Error Tipo II (β): Falso negativo
  • 💪 Potencia (1-β): Detectar diferencias reales
  • Significación: p < α

📊 4. ANÁLISIS BIVARIANTE

  • 🧮 Paramétrico: t-Student, ANOVA, Pearson
  • 🎲 No paramétrico: Mann-Whitney, Wilcoxon, Spearman
  • 📋 Categóricas: Chi-cuadrado, Fisher

🔄 5. ANÁLISIS MULTIVARIANTE

  • 📈 Regresión Lineal: Variable continua
  • 🎯 Regresión Logística: Variable binaria (OR)
  • ⏱️ Regresión Cox: Supervivencia (HR)

📈 6. CURVAS DE SUPERVIVENCIA

  • 📊 Kaplan-Meier: Estimación de supervivencia
  • 🔍 Log-rank: Comparación entre grupos
  • ✂️ Censura: Datos incompletos

🏥 7. APLICACIÓN SAS

  • 💻 Diraya: Indicadores de calidad
  • 🗃️ BPS: Estudios epidemiológicos
  • 🔬 Investigación AP: Análisis de resultados

📖 Referencias Normativas y Bibliográficas

Normativa y Documentos Oficiales

  • Ley 16/2003, de 28 de mayo, de cohesión y calidad del Sistema Nacional de Salud
  • Ley 2/1998, de 15 de junio, de Salud de Andalucía
  • Plan Estratégico del Servicio Andaluz de Salud 2018-2022
  • Estrategia de Seguridad del Paciente del SSPA 2011-2020

Guías y Documentos Técnicos

  • Guía de Práctica Clínica sobre Diabetes Mellitus tipo 2. GuíaSalud, 2020
  • Documento de Consenso sobre el tratamiento de la diabetes tipo 2. SED-SEMI, 2018
  • Manual de Indicadores de Calidad en Atención Primaria. SAS, 2019
  • Procesos Asistenciales Integrados del SAS. 3ª Edición, 2020

Bibliografía Especializada

  • Armitage P, Berry G, Matthews JNS. Statistical Methods in Medical Research. 4th ed. Oxford: Blackwell Science; 2002
  • Altman DG. Practical Statistics for Medical Research. London: Chapman and Hall; 1991
  • Hulley SB, Cummings SR, Browner WS, et al. Designing Clinical Research. 4th ed. Philadelphia: Lippincott Williams & Wilkins; 2013
  • Dawson B, Trapp RG. Bioestadística Médica. 4ª ed. México: Manual Moderno; 2005

Recursos Web

  • Portal Estadístico del SAS: www.juntadeandalucia.es/servicioandaluzdesalud
  • Biblioteca Virtual del SSPA: www.bibliotecavirtual.sspa.es
  • GuíaSalud – Biblioteca de GPC: www.guiasalud.es
  • Agencia de Calidad Sanitaria de Andalucía: www.acsa.junta-andalucia.es

🎯 Conclusiones del Tema y Consejos para el Estudio

Recapitulación de lo Esencial

  1. La estadística es herramienta, no fin: Siempre debe servir para mejorar la toma de decisiones clínicas y la calidad asistencial
  2. Interpretación crítica: Distinguir entre significación estadística y relevancia clínica es fundamental en la práctica médica
  3. Selección apropiada: Elegir la prueba estadística correcta según el tipo de variables y diseño del estudio
  4. Contextualización SAS: Aplicar estos conceptos a los sistemas de información y herramientas específicas del Servicio Andaluz de Salud
  5. Medicina basada en evidencias: Utilizar la estadística para evaluar críticamente la literatura científica y aplicarla a la práctica clínica

Estrategia de Estudio Recomendada

  1. Conceptos fundamentales: Dominar primero las bases teóricas antes de pasar a aplicaciones complejas
  2. Práctica con casos reales: Aplicar los conceptos a situaciones clínicas de Atención Primaria
  3. Interpretación de resultados: Practicar la lectura crítica de artículos científicos
  4. Herramientas del SAS: Familiarizarse con Diraya, BPS y otros sistemas de información sanitaria
  5. Repaso frecuente: Los conceptos estadísticos requieren práctica continua para su consolidación

Aplicabilidad Práctica

Este conocimiento os permitirá ser médicos más competentes en la evaluación de tratamientos, interpretación de pruebas diagnósticas, participación en investigación clínica y gestión de la calidad asistencial en vuestros centros de salud del SAS.

🔗 Conexión con Otros Temas del Temario

  • Epidemiología: Medidas de frecuencia, estudios observacionales y experimentales
  • Medicina Preventiva: Evaluación de programas de cribado y vacunación
  • Gestión Clínica: Indicadores de calidad y evaluación de resultados
  • Investigación: Diseño de estudios y análisis de resultados
  • Medicina Basada en Evidencias: Interpretación crítica de la literatura científica
  • Bioética: Consideraciones éticas en la investigación clínica

Etiquetas SEO: estadística médica, análisis bivariante, análisis multivariante, curvas supervivencia, test hipótesis, error aleatorio, regresión logística, SAS Andalucía, medicina basada evidencias, investigación atención primaria

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *