Jornada de Bioestadística para Periodistas y Comunicadores: 33 mensajes clave

Jornada de Bioestadística para Periodistas y Comunicadores: 33 mensajes clave

Bioestadistica_mesa_variosTras la Jornada Bioestadística para Periodistas y Comunicadores, realizada en Madrid el 14 de febrero de 2013, te tenemos 33 mensajes clave de los ponentes.

Gonzalo Casino
1.    Tipo de estudio: Un estudio” es demasiado vago. Hay que informar de los detalles del estudio y de la confianza que merece.
2.    Riesgo absoluto: El riesgo relativo es más aparatoso, pero no hay que olvidarse del absoluto, que pone en perspectiva una amenaza para la salud.
3.    Riesgos de la prevención: La prevención tiene también sus perjuicios y sus excesos. En las estadísticas del cribado, la supervivencia no es el reverso de la mortalidad.
4.    Divulgar:  La estadística puede ser compleja, pero tenemos que hacerla sencilla. Hay que traducir la terminología y los números.
5.    Fuentes:  Atención a las exageraciones de los intermediarios (press releases). Conviene acudir a las fuentes originales (paper) y contrastar con fuentes independientes y competentes en bioestadística.
6. Contexto: Un estudio es una frase anecdótica en medio de una conversación. Lo que interesa es la conversación completa.

Erik Cobo
7. Variabilidad: La estadística aborda la variabilidad: su obsesión es cuantificar la incertidumbre (otro tema es si los usuarios entran…)
8. Predecir y modificar: No hay que confundir la predicción del futuro con su modificación, que requiere relación causal.
9. Reducción de la incertidumbre: Rara vez una predicción anula toda duda; por eso debe acompañarse de medidas de reducción de la incertidumbre.
10. Estudios experimentales: La clave de un estudio experimental es la asignación: sólo variables que dependan del investigador pueden cambiarse y así estimar sus efectos.
11. Causas y efectos: Se empieza por buscar causas y se termina por estimar efectos.
12. Ciencia y técnica: La pregunta de la ciencia es “qué sé” y la de la técnica “qué hago”. La primera descansa en la evidencia, pero la segunda debe contemplar también las consecuencias.
13. La P y el intervalo de confianza: Es más importante el intervalo de confianza que el valor de P. Si un resultado no lleva un intervalo de confianza relevante, mejor ignorarlo.
14. Objetivos sanitarios: Cada objetivo sanitario (tratamiento, pronóstico, diagnóstico) tiene un tipo de estudio adecuado (ensayo clínico, cohorte, transversal).

Pablo Alonso
15. La calidad es la confianza/certidumbre que tenemos en que los resultados obtenidos provenientes de la investigación sean ciertos.
16. Las revisiones sistemáticas son claves para contextualizar y conocer con mayor seguridad el efecto de las intervenciones.
17. Para conocer la calidad/confianza el diseño es importante pero no suficiente
18. La confianza puede disminuir en los ensayos clínicos
• Riesgo de sesgo (aleatorización/cegamiento/pérdidas)
• Inconsistencia/Imprecisión/Evidencia indirecta/otros
19. La confianza puede aumentar en los observacionales
• Asociación importante/Gradiente
• Pronostico diferente/Inmediatez del efecto

José Luis Peñalvo
20. Carga: La epidemiología utiliza medidas de ‘carga’ para caracterizar la enfermedad y proponer hipótesis causales. Estas hipótesis se estudian, en la mayoría de los casos, mediante comparación de grupos a través de las denominadas medidas de ‘riesgo’ y de ‘asociación’: riesgos relativos (RR) y odds ratio (OR), que explican ‘cuánto’ mas riesgo tiene el grupo expuesto frente al no expuesto.
21. Cohorte: Estudio observacional longitudinal y prospectivo. Clasificación de la población según exposición y espera hasta evento de interés. Medida de asociación: riesgo relativo (RR).
22. Casos-control: Estudio observacional longitudinal y retrospectivo. Clasificación de la población según evento y recuperación de información sobre exposición. Medida de asociación: odds ratio (OR).
23. Causalidad: Relación etiológica entre una exposición y la aparición de un efecto. Modelo de Bradford-Hill (1965), propone los siguientes criterios de causalidad: Fuerza de asociación, consistencia, especificidad, temporalidad, gradiente biológico, plausibilidad biológica, coherencia, evidencia experimental y analogía).
24. Confusión: Tercera variable que “confunde” total o parcialmente la relación entre la exposición y el efecto y no forma parte del mecanismo causal. En estudios observacionales, se utiliza estratificación o ajuste de las modelos (análisis multivariante) para mejorar la asociación.

Steven Woloshin
25. Sources exaggerate: Medical journals, academic medical centers and researchers all contribute to the problems with health news.
26. Too much too soon: News stories about scientific meeting presentations often lack basic facts, numbers and cautions.
27. Recognize disease mongering campaigns: Be skeptical when new –or expanded– diseases are being promoted.
• Question prevalence estimates
• Present the full spectrum of disease
• Question idea that more diagnosis is always better
• Quantify the benefits and harms of the new treatment
28. If you take away nothing else…
• Use numbers!
• Highlight cautions!

Lisa Schwartz
29. Scientific meeting research: These preliminary findings may change because the study has not been independently vetted through peer review and all the data are not yet in.
30. No control group: Because everyone took DRUG, it is extremely hard to know if DRUG had anything to do with the outcome.
31. Surrogate outcomes: This study measured [surrogate] –a lab test [or x‐ray] finding– that people do not directly experience. Be cautious about acting on these findings since changes in these measures do not reliably translate into people feeling better or living longer.
32. Recognize pseudo‐evidence: Publication in a medical journal –even “The New England Journal of Medicine”– does not guarantee the findings are true (or even important).
33. Animal or lab study: It takes many years to learn if the findings of animal [lab] studies apply to people. Many promising animal [lab] studies fail to pan out in people. Extrapolate with caution! don’t tell people what to worry about –or do– based on very preliminary animal or lab science.

Bibliografía

Know Your Chances. Understanding Health Statistics Steven Woloshin, MD, MS, Lisa M. Schwartz, MD, MS, and H. Gilbert Welch, MD, MPH. Berkeley (CA): University of California Press; 2008. www.ncbi.nlm.nih.gov/pubmedhealth/n/ucalpkyc/pdf/
Interpretando la literatura médica: ¿qué necesito saber? Parte II. Relevancia clínica: ¿qué nos dicen los números? http://tinyurl.com/aqurd2v
GRADE: an emerging consensus on rating quality of evidence and strength of recommendations. Guyatt GH, Oxman AD, Vist GE, Kunz R, Falck-Ytter Y, Alonso-Coello P, Schünemann HJ; GRADE Working Group. BMJ. 2008 Apr 26;336(7650):924-6. http://www.bmj.com/content/336/7650/924

Comparte este post

Deja una respuesta

Tu dirección de correo electrónico no será publicada.

DESCUBRE MÁS

Esta web utiliza cookies propias y de terceros para su correcto funcionamiento y para fines analíticos. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad