Aprendimos la importancia crucial de dominar la lectura crítica y análisis de artículos científicos, junto con la interpretación adecuada de las estadísticas médicas.

Habilidades importantes para poder afrontar casos clínicos complejos con una base sólida de evidencia científica.

También se comprendió en profundidad el impacto significativo de las actualizaciones sanitarias y los diversos factores que influyen en ellas.

En clase, se abordaron ejemplos claros para determinar la significancia de estudios científicos y cómo estos se diseñan para tener relevancia no solo para un grupo específico, sino para una población finita mediante la aleatorización de participantes.

También discutimos cómo la estadística inferencial puede emplearse para probar hipótesis y estimar parámetros de muestras puntuales o por intervalo.

Asimismo, se explicaron los criterios de un buen estimador, los cuales son:

• Suficiente

• Consistente

• Eficiente

• Insesgado

Estimación puntual y estimación por intervalo para un parámetro

Primero, necesitamos una población de la cual queremos obtener una estimación de un factor específico. Para calcular características como la media o la varianza poblacional, llamados "parámetros", que son desconocidos, realizamos un muestreo. Calculamos la característica de interés: si queremos la media poblacional, obtenemos la media muestral; si queremos la varianza poblacional, calculamos la varianza muestral. Este valor se denomina estadístico y es útil para realizar estimaciones.

Estimación puntual:

Es el estadístico más acertado del parámetro poblacional a partir de la muestra.

Estimación por intervalos:

Es la estimación puntual más un ancho para tener un intervalo de confianza. El ancho depende del problema.

Ventajas:

Si tenemos el parámetro con la estimación por intervalo, y la estimación sale fuera del intervalo, se considera una susceptibilidad a equivocación. Esto nos proporciona límites.

Video #2

Tipos de errores en pruebas de hipótesis

Hipótesis Nula:

Es una afirmación sobre un parámetro de una población, es decir, que el parámetro es igual a un valor de referencia.

Hipótesis Alterna:

Se sospecha que el parámetro no es igual, es menor, diferente o mayor al valor de referencia.

También existe la posibilidad de que la hipótesis nula sea verdadera o falsa.

Error tipo 2:

El error tipo II se da cuando nuestra hipótesis nula es falsa pero la aceptamos.

Error tipo 1:

El error tipo I es cuando la hipótesis nula es verdadera pero la rechazamos.

Al ajustar el tamaño de la muestra, podemos disminuir ambos errores: el tipo uno (alfa) y el tipo dos (beta).

Video #3

Introducción a la potencia de pruebas de significancia | Khan Academy en Español

El video #3 aborda el mismo tema que el video #2: los tipos de errores en pruebas de hipótesis, pero de una manera más sistemática. En este, podemos ver directamente cómo al aumentar la muestra se puede disminuir el error, sea de tipo uno o dos.

• Aplicar los principios de la MBE para formular preguntas clínicas claras.

• Interpretar los resultados de artículos científicos para la toma de decisiones clínicas.

Importancia de la MBE:

• La MBE va más allá de leer artículos, se enfoca en tomar decisiones informadas, utilizando la mejor evidencia disponible derivada de investigaciones de alta calidad.

Formulación de Preguntas:

• Una pregunta bien formulada es esencial en la MBE, y puede estar relacionada con síntomas, diagnósticos, pronóstico, terapias o análisis costo-efectividad.

Estructura PICOT/PECOT:

• P: Población.

• I: Intervención.

• C: Comparación.

• O: Resultados (Outcome).

• T: Tiempo. Esta estructura ayuda a formular preguntas que guíen adecuadamente la búsqueda de evidencia.

Aplicación Práctica:

• A través de casos clínicos, se ilustran ejemplos de cómo formular preguntas utilizando PICOT y encontrar la mejor evidencia para situaciones clínicas reales.

Estimación de Parámetros: Puede ser puntual o mediante intervalos de confianza.

Pruebas de Hipótesis: Comparan un efecto en una muestra con su variabilidad esperada. Incluyen hipótesis nula y alternativa.

Errores en Inferencia: Error tipo 1 (falso positivo) y error tipo 2 (falso negativo).

Poder de una Prueba: Probabilidad de rechazar correctamente la hipótesis nula.

Significancia Estadística vs. Clínica: Diferencias estadísticas no siempre implican relevancia clínica.

Teorema del Límite Central: Con muestras grandes, las medias muestrales siguen una distribución normal.

Distribución T de Student: Utilizada para estimar la media de una población con muestras pequeñas.

Fundamentos Básicos (Módulos 1-3)

• Introducción a las síntesis de evidencia

• Tipos de revisiones: narrativas, sistemáticas, scoping reviews

• Diferencias entre revisiones tradicionales y sistemáticas

• Importancia de la evidencia en la toma de decisiones clínicas

• Desarrollo de preguntas PICO

• Estructura detallada: Población, Intervención, Comparación, Outcome

• Ejemplos prácticos de formulación

• Criterios de inclusión/exclusión específicos

• Estrategias de búsqueda

• Uso de bases de datos: PubMed, Cochrane, EMBASE

• Operadores booleanos y filtros avanzados

• Documentación del proceso de búsqueda

Metodología y Análisis (Módulos 4-6)

• Extracción de datos

• Diseño de formularios de extracción

• Proceso de revisión por pares

• Manejo de datos discrepantes

• Evaluación de sesgos

• Herramientas de evaluación: RoB 2, ROBINS-I

• Tipos de sesgos comunes

• Estrategias de mitigación

• Meta-análisis

• Métodos estadísticos básicos

• Interpretación de forest plots

• Evaluación de heterogeneidad

Evaluación y Presentación (Módulos 7-10)

• Análisis de subgrupos

• Identificación de variables moderadoras

• Técnicas de análisis estratificado

• Interpretación de diferencias entre subgrupos

• Sistema GRADE

• Niveles de evidencia

• Factores que aumentan/disminuyen la calidad

• Aplicación práctica en la evaluación

• Presentación de resultados

• Estructura de tablas de evidencia

• Visualización de datos

• Comunicación efectiva de hallazgos

Este curso desarrolla habilidades fundamentales para la práctica de la medicina basada en evidencia, proporcionando herramientas prácticas para la evaluación crítica de la literatura médica.

Aspectos destacados adicionales:

• Reproducibilidad: Documentación detallada de métodos y decisiones

• Herramientas digitales: Software especializado para revisiones sistemáticas

• Ética: Consideraciones en la selección y síntesis de estudios

• Aplicación clínica: Integración de evidencia en la práctica médica