Professional Documents
Culture Documents
z
Anlisis multivariable
E. A. P. MEDICINA HUMANA
TESIS I
ANALISIS MULTIVARIABLE
INTEGRANTES:
1. MASGO SOLANO, Antenor
2. RAMOS BERMDEZ, Gerson
3. RAMOS VELSQUEZ, Fredy A.
4. RODRGUEZ SANTILLN, Carlos M.
5. ROMN SANTAMARIA, Angie E.
6. RUBIO GRADOS, Dumer G.
7. SALAZAR BORJA, Juan Carlos
8. SNCHEZ BETETA, Marco A.
9. SARMIENTO PONCIANO, Katty
10.TARAZONA LUNA, Gaby C.
11.TOLENTINO HINOJOSA, Lennin J.
12.TRINIDAD GUZMN, Heiddy J.
13.ZRATE CASACHAHUA, Yojhaida
HUANUCO-PERU
2015
0
TESIS I
Anlisis multivariable
DEDICATORIA
1
TESIS I
Anlisis multivariable
NDICE
GENERALIDADES. 3
BIBLIOGRAFA.21
2
TESIS I
Anlisis multivariable
ANALISIS MULTIVARIABLE
1. GENERALIDADES
En los diseos experimentales tpicos se busca una posible relacin causal entre
la variable independiente y el desenlace por medio de la asignacin aleatoria de
una intervencin. La asignacin aleatoria le permite al investigador organizar la
poblacin de estudio en grupos que compartirn de manera similar variables
independientes, que pueden o no afectar a la variable dependiente del estudio. En
los estudios observacionales, o no experimentales, no es posible hacer una
asignacin aleatoria de la muestra, por lo que se hace necesario contar con un
mecanismo adicional que permita el control de las variables de confusin o
covariables con respecto a sus efectos en la variable dependiente.
3
TESIS I
Anlisis multivariable
Los resultados del anlisis univariado indican que el riesgo relativo de morir por
cualquier causa despus de haberse sometido a una revascularizacin coronaria
percutnea es menor en los fumadores persistentes y en los exfumadores
recientes que en los no fumadores. Cmo puede ser esto posible luego de que
muchos estudios han demostrado la asociacin entre el hbito de fumar y una alta
mortalidad? La respuesta a este interrogante se puede encontrar en la tabla 2.
4
TESIS I
Anlisis multivariable
Al ver que las caractersticas basales de los cuatro grupos eran diferentes entre s
y que estas diferencias podan tener no solo la evidente relacin con el factor de
riesgo sino tambin afectar al desenlace de inters, los investigadores utilizaron el
anlisis multivariable para ajustar por todas aquellas variables independientes que
actuaban como variables de confusin en el estudio: edad, sexo, ciruga de
revascularizacin previa, infarto agudo de miocardio, insuficiencia cardaca
congestiva, historia de diabetes, historia de hipertensin, enfermedad de mltiples
vasos, historia familiar de enfermedad coronaria y nmeros de vasos dilatados. El
resultado se observa en la tabla 3.
5
TESIS I
Anlisis multivariable
6
TESIS I
Anlisis multivariable
En la regresin lineal asumimos que existe una relacin en forma de lnea recta
entre la variable dependiente, que se encuentra convencionalmente en el eje de la
Y, y la variable independiente representada en el eje de la X. Cuando la variable
independiente aumenta o disminuye, la media o el valor esperado de la variable de
desenlace aumenta o disminuye, respectivamente, de una manera lineal.
Analicemos el siguiente ejemplo:
7
TESIS I
Anlisis multivariable
Se observa que el HOMA-IR fue mayor en los pacientes hipertensos que en los
normontensos. Sin embargo, aunque algunos parmetros muy relacionados con la
hipertensin y la resistencia a la insulina como el IMC y la circunferencia de
cadera varan poco entre ambos grupos, la edad muestra diferencias
estadsticamente significativas en esa misma comparacin. Por lo tanto, es
necesario establecer con mayor certeza la forma en la que estos parmetros
pueden modificar el resultado del HOMA-IR. Para esto, los investigadores
decidieron utilizar el mtodo de regresin lineal mltiple con los valores de HOMA-
IR como variable dependiente o de resultado, y la edad, el IMC, la circunferencia
de cadera y la presencia de HTA como variables independientes. Los resultados
del ajuste se encuentran en la tabla 5.
8
TESIS I
Anlisis multivariable
Luego del ajuste, los factores asociados con la resistencia a la insulina medida por
HOMA-IR son la hipertensin arterial y el IMC. En pacientes con diagnstico de
hipertensin esencial se espera, en promedio y luego de ajustar por edad, IMC y
circunferencia de cadera, un valor mayor en el HOMA-IR de 0,736 (IC 95% =
0,038; 1,434) con respecto a los sujetos normotensos.
Para evaluar qu tan bien se ajusta el modelo de regresin logstica a los datos se
utiliza una prueba estadstica de verosimilitud (en ingls: likelihood ratio test), que
determina si las variables independientes se asocian con el desenlace de inters
ms de lo que podra esperarse solo por azar. Cuando esta prueba muestra que la
proporcin de sujetos con el desenlace se puede explicar por la forma como se
combinan las variables independientes del modelo, su resultado se acompaa de
un nmero alto en la distribucin de Chi y por tanto de un menor valor de la p
correspondiente. Un valor de p < 0,05, al igual que en la regresin lineal, rechaza
la hiptesis nula de que no existe asociacin entre las variables independientes y
el resultado.
9
TESIS I
Anlisis multivariable
ilustrativo interpretar los OR con base en la precisin que se observa con los
intervalos de confianza del 95% (IC 95%).
10
TESIS I
Anlisis multivariable
o ausencia de otra nefrotoxicidad, con una variacin del aumento de riesgo entre
3% y 22%.
ESTUDIOS DE SUPERVIVENCIA.
El estudio de procesos de supervivencia juega un papel muy importante en
medicina. Comparar entre la supervivencia observada en dos grupos de
pacientes puede llevar a validar un determinado tratamiento o, alternativamente, a
identificar un factor de riesgo importante. Intentan evaluar la supervivencia en una
determinada situacin. Se debe usar una metodologa adecuada en cada caso
debido a las caractersticas particulares que estos estudios presentan.
11
TESIS I
Anlisis multivariable
El mtodo ms
utilizado para saber el efecto
de una variable independiente sobre la supervivencia, o sobre la probabilidad de
estar libre de la ocurrencia de un evento, en una poblacin despus de un tiempo
determinado es el de Kaplan-Meier. Tambin es posible, mediante una
comparacin por medio de la prueba de Log-Rank, establecer si existen
diferencias estadsticamente significativas entre distribuciones de supervivencia.
12
TESIS I
Anlisis multivariable
13
TESIS I
Anlisis multivariable
La media de seguimiento para estos pacientes fue de 2,6 2,06 aos y la muestra
fue dividida en dos grupos: pacientes con niveles de albmina normales y
pacientes con hipoalbuminemia. Con el mtodo de Kaplan-Meier se observ que
los pacientes con albmina normal tenan menor mortalidad y menor frecuencia de
eventos cardiovasculares que aquellos con hipoalbuminemia. El anlisis uni y
multivariable para mortalidad con la regresin de Cox se muestra en la tabla 7.
Las variables independientes dicotmicas tienen una ventaja con respecto a otros
14
TESIS I
Anlisis multivariable
tipos de variables como las ordinales, las nominales y de intervalo, ya que pueden
ser analizadas con cualquier mtodo estadstico sin necesidad de ninguna
transformacin ms all de la simple recodificacin como 1 (presencia de la
variable) o 0 (ausencia de la misma). Con los otros tipos de variables, en cambio,
es necesario efectuar transformaciones especficas para poder analizarlas. Las
variables nominales representan atributos no numricos que no admiten un tipo de
orden, por lo que al recibir cdigos numricos para efectos de nomenclatura, estos
no tienen ningn significado. Por ejemplo, cuando vemos el estado civil de una
persona como soltero, casado, viudo o divorciado, cada una de esas alternativas
para la variable recibe un cdigo numrico como soltero = 1, casado = 2, viudo =
3, divorciado = 4. Estos nmeros, no obstan- te, no reflejan ninguna magnitud y en
cualquier anlisis multivariable el pasar de una categora a otra, de 1 a 2 por
ejemplo, no tendra ningn significado. Para que las variables nominales
independientes puedan tener un valor real y ser analizadas, deben convertirse en
mltiples variables dicotmicas por medio de un proceso que en ingls se ha
llamado dummying. Si tomamos el ejemplo anterior y suponemos que cada una de
las opciones de estado civil es una variable dicotmica, estas recibiran el valor de
1 para indicar que el individuo est en esa categora y 0 si no lo est. Las nuevas
variables dicotmicas quedaran casado (1 = s, 0 = no), viudo (1 =
s,0=no),divorciado(1=s,0=no) y soltero (1=s,0 = no). Dado que realmente se
estn representando cuatro categoras excluyentes de una misma variable, este
proceso de transformacin siempre genera por defecto el valor de la ltima
variable. Es decir, si un sujeto est codificado como no casado, no viudo y no
divorciado (con valor de 0 en las primeras tres variables) la nica opcin que le
queda es ser soltero, es decir cdigo de 1 en la ltima variable. Por lo anterior, en
este proceso de dummying, el investigador siempre decide cul de las opciones de
la variable se convertir en la categora de referencia contra la cual se comparan
todas las otras alternativas; y a este conjunto de categoras se le llama variable
dummy o indicadora. Todas las anteriores consideraciones aplican por igual para
las variables ordinales, con la diferencia que en estas s hay un orden jerrquico
entre las diversas opciones de la variable y de este modo la categora de
referencia est seleccionada de manera natural.
15
TESIS I
Anlisis multivariable
Tanto la raza como el fumar son variables nominales que tomaron un valor
dicotmico para ser comparadas entre diabticos y no diabticos. De 232
diabticos, 190 estn codificados como 1 en raza blanca y 0 en negros, asiticos y
otros; 28 estn como 1 en raza negra y 0 en blancos, asiticos y otros; 9 aparecen
como 1 en asiticos y 0 en blanco, negro y otros; y el 0 de las tres categoras
anteriores obliga a tener un valor de 1 en la raza otro que corresponde a 5
sujetos. Las mismas consideraciones, con sus respectivos nmeros, aplican para
la raza en no diabticos y el fumar en diabetes y no diabetes.
La pregunta de investigacin.
La frecuencia y distribucin de las variables.
Las Categoras de las variables.
La misma asociacin estimada o sospechada entre las variables
independientes y la variable de desenlace.
En este ejemplo que acabamos de mencionar, la raza blanca por ser la de mayor
poblacin o el fumar por ser un conocido factor de riesgo podran ser tomados
como categoras de referencia y asignarles un valor de cero para las
16
TESIS I
Anlisis multivariable
comparaciones finales.
Pero en caso de la
regresin logstica y la
regresin de Cox, por la
transformacin que
necesitan sus respectivas
variables de resultado, no
es posible hacer un
diagrama de dispersin
convencional.
Una
aproximacin para poder
evaluar
si una variable de intervalo se ajusta a la hiptesis de linealidad en estos casos es
categorizarla en mltiples variables dicotmicas que contengan las mismas
unidades en la escala de la variable. Por ejemplo, si tomamos como variable
independiente la edad, entonces la agruparamos de 10 en 10 as: 20-29, 30-39,
40-49, 50-59 aos, y le daramos el valor de 1 o 0 a cada individuo de la muestra,
dependiendo de si pertenece (1) o no (0) al grupo correspondiente. Luego de este
proceso, las nuevas variables deben entrar a un anlisis multivariable en donde
reciben un coeficiente estimado de acuerdo con su respectivo efecto de
incremento o disminucin de la variable de resultado. Este coeficiente podra
17
TESIS I
Anlisis multivariable
18
TESIS I
Anlisis multivariable
MULTICOLINEALIDAD
19
TESIS I
Anlisis multivariable
BIBLIOGRAFA:
20
TESIS I
Anlisis multivariable
21