3-9. -CALSIFICACION PRO MEDICION
Sean todos muy bienvenidos a esta sesión, donde vamos a explorar un tema fundamental de estadistica, como lo son los niveles de medición de datos.
Entender cómo se miden y se clasifican los datos es crucial para realizar análisis estadísticos precisos y, en última instancia, tomar mejores decisiones.
Por qué es importante esto?
Porque no todos los datos pueden tratarse de la misma manera.
Entender correctamente cómo medimos las variables en nuestros pacientes determinará:
Qué tipo de análisis estadístico podemos aplicar
Qué gráficos son los más adecuados para visualizar la información
Cómo interpretar correctamente los resultados
Qué conclusiones clínicas podemos extraer con validez científica
Dependiendo del nivel de medición, podrías estar limitado en qué cálculos puedes hacer y qué técnicas de visualización son más apropiadas.
Si entiendes bien estos niveles, tendrás una ventaja estratégica al interpretar:
Interpretar correctamente los resultados de ensayos clínicos y artículos científicos
Diseñar estudios de investigación en tu servicio hospitalario
Analizar encuestas de satisfacción de pacientes y familiares
Evaluar la efectividad de intervenciones sanitarias (nuevos tratamientos, protocolos, campañas de prevención)
Tomar decisiones clínicas basadas en evidencia con rigor estadístico
Comunicar hallazgos a tu equipo multidisciplinario con precisión
Detectar posibles sesgos en estudios publicados
Seleccionar la prueba estadística adecuada para cada tipo de variable
Vamos a profundizar en cómo se dividen estos niveles y qué implicaciones tienen en tus análisis.
Para entender cómo se clasifican los datos es importante saber que existen dos grandes grupos cualitativos y cuantitativos.
A su vez, estos se dividen en nominal y ordinal.
Cuantitativos: intervalo y razón .
Quiero que noten que estamos observando esto como un árbol de clasificación.
Ya que esto nos ayuda a recordar cómo cada nivel tiene sus propias características y aplicaciones. Los datos cualitativos se utilizan para describir categorías y se dividen, como les dije, en nominal y ordinal.
Mientras que los datos cuantitativos que involucran números se subdividen en razón e intervalo.
Entender cómo y cuándo utilizar cada uno de estos tipos de datos es fundamental para seleccionar las técnicas correctas de análisis y visualización en investigación clínica y bioestadística.
Por ejemplo, si estás evaluando la efectividad de una nueva intervención terapéutica en pacientes con hipertensión, el tipo de dato que recopiles determinará:
Si puedes hacer comparaciones directas entre grupos (por ejemplo, presión arterial media entre grupo control y grupo intervención)
Si necesitas analizar las tendencias de evolución de forma diferente (por ejemplo, cambios en la calidad de vida a lo largo del tiempo)
Qué prueba estadística será la apropiada (t-student, ANOVA, Chi-cuadrado, Wilcoxon, etc.)
Cómo visualizar los resultados para comunicarlos efectivamente al equipo clínico.
En el contexto hospitalario los datos nominales, que pertenecen al grupo de variables cualitativas. Son datos se utilizan para categorizar información sin ningún orden intrínseco entre las categorías.
Imagina que trabajas en el servicio de admisiones y registro de un hospital universitario. Quieres clasificar a los pacientes según el servicio médico que los atiende: cardiología, traumatología, pediatría, medicina interna, etc.
Estos son ejemplos de datos nominales porque, aunque cada categoría es distinta y claramente identificable, no hay un orden jerárquico que las relacione (no podemos decir que cardiología sea "mayor" o "menor" que pediatría).
Otros ejemplos prácticos en el entorno clínico:
| Variable nominal | Categorías posibles(sin jerarquia) |
|---|---|
| Grupo sanguíneo | A, B, AB, O |
| Sexo | Masculino, Femenino |
| Estado civil | Soltero, Casado, Viudo, Divorciado |
| Tipo de diagnóstico | Diabetes, Hipertensión, Asma, etc. |
| Vía de ingreso | Urgencias, Consulta externa, Derivación, Traslado |
| Fumador | Sí, No, Exfumador |
Si te fijas, en ninguno de estos casos hay algún tipo de jerarquía o orden. Simplemente se usan para organizar la información y clasificar a los pacientes en grupos mutuamente excluyentes.
¿Por qué es importante identificarlos en bioestadística?
Este tipo de dato es ideal para:
Segmentar poblaciones de pacientes en estudios clínicos
Análisis de frecuencias por grupos diagnósticos
Cruzar variables en tablas de contingencia
Presentar resultados en gráficos de barras o diagramas de sectores
Ahora hablemos de los datos de intervalo, que pertenecen al grupo cuantitativo. Estos datos permiten medir diferencias consistentes entre valores, pero no tienen un cero absoluto.
El ejemplo clásico que muchos conocemos es el de la temperatura corporal en grados Celsius cuando medimos la fiebre de un paciente.
En esta escala, la diferencia entre 37°C y 38°C es la misma que entre 38°C y 39°C (siempre 1 grado de diferencia). Sin embargo, el cero grados Celsius no indica la ausencia total de temperatura, simplemente es un punto definido por el ser humano (la congelación del agua), y un paciente jamás tendrá 0°C de temperatura corporal porque eso significaría la muerte.
Otros ejemplos de datos de intervalo en el ámbito sanitario:
| Variable de intervalo | ¿Por qué es intervalo? |
|---|---|
| Año de diagnóstico | El año 0 no significa "ausencia de tiempo" |
| Puntuación en escala de depresión (0-30) | El 0 es un punto arbitrario, no ausencia de depresión |
| Diferencia de temperatura | Podemos medir cambios, pero no proporciones |
| Puntuación en test de calidad de vida | El 0 es el mínimo de la escala, no ausencia de calidad de vida |
Pasemos ahora a los datos de razón, que también son numéricos.
Son datos cuantitativos, pero a diferencia de los de intervalo, sí tienen un cero absoluto. Esto significa que el cero representa realmente la ausencia total de la variable medida.
Un ejemplo común en el ámbito clínico sería la frecuencia cardíaca. Si un paciente tiene 0 latidos por minuto, significa que no hay actividad cardíaca (ausencia total de la variable).
Otro ejemplo sería la concentración de un fármaco en sangre. Si un paciente tiene 0 mg/dL, significa que no hay presencia del fármaco en su organismo.
Aquí las proporciones sí tienen sentido clínico.
Si un paciente tiene una glucemia de 200 mg/dL y otro tiene 100 mg/dL, podemos decir que el primero tiene el doble de concentración de glucosa que el segundo.
Esto no era algo que pudiéramos hacer con los datos cuantitativos de intervalo (como la temperatura en grados Celsius, donde 20°C no es el doble de calor que 10°C). Y ese es el punto clave que quiero destacar.
Ejemplos de variables de razón (ratio) en el entorno sanitario:
| Variable | Cero absoluto | Significado clínico del cero |
|---|---|---|
| Peso | 0 kg | Ausencia de masa corporal |
| Talla | 0 m | Ausencia de estatura |
| Edad | 0 años | Recién nacido (inicio de la vida) |
| Presión arterial | 0 mmHg | Ausencia de presión (paro circulatorio) |
| Dosis de medicamento | 0 mg | No se administró el fármaco |
| Tiempo de supervivencia | 0 días | Fallecimiento en el momento inicial |
| Recuento de leucocitos | 0 células/μL | Ausencia total de glóbulos blancos |
¿Por qué es importante esta distinción en bioestadística?
Este tipo de datos, es decir, los de razón (ratio), permiten realizar análisis más avanzados como:
Modelos de regresión lineal y logística para predecir outcomes clínicos
Análisis de supervivencia (Kaplan-Meier, Cox regression)
Cálculo de hazard ratios (riesgo proporcional)
Comparación de medias con pruebas paramétricas
Análisis de varianza (ANOVA) para comparar múltiples grupos
Cálculo de porcentajes y proporciones con interpretación clínica directa
Ejemplo práctico en investigación clínica:
Si estamos evaluando la efectividad de dos tratamientos para reducir la presión arterial, y el Grupo A reduce en promedio 10 mmHg mientras que el Grupo B reduce 5 mmHg, podemos afirmar que:
"El tratamiento A es el doble de efectivo que el tratamiento B en términos de reducción de presión arterial."
Esta afirmación solo es posible porque la presión arterial es una variable de razón con cero absoluto.
Resumen comparativo en bioestadística:
| Tipo de dato | Ejemplo | ¿Podemos decir "el doble"? |
|---|---|---|
| Intervalo | Temperatura (°C) | No (10°C no es el doble de calor que 5°C) |
| Razón | Peso (kg) | Sí (80 kg es el doble que 40 kg) |
| Razón | Glucemia (mg/dL) | Sí (200 mg/dL es el doble que 100 mg/dL) |
| Razón | Días de hospitalización | Sí (10 días es el doble que 5 días) |
***Y ahora déjenme insistir en este punto.
Quiero enfatizar la comparación entre los datos cuantitativos de intervalo y los datos cuantitativos de razón para que quede muy claro en qué se diferencian y cómo afectan su análisis estadístico en el ámbito clínico.
DATOS DE INTERVALO EN CONTEXTO SANITARIO
Comencemos con los datos de intervalo.
Estos permiten medir diferencias consistentes entre valores, pero no tienen un cero absoluto.
Un ejemplo clásico es la temperatura en grados Celsius en la medición de pacientes.
Podemos medir la diferencia perfectamente: un paciente con 38°C tiene 1 grado más que otro con 37°C. Pero no podemos decir que 40°C es el doble de calor que 20°C, porque el cero en esta escala es simplemente un punto de referencia (la congelación del agua) y no representa la ausencia total de temperatura.
Otro ejemplo en el entorno clínico podría ser la fecha de diagnóstico o el año de nacimiento de los pacientes. Podemos calcular diferencias (una persona nació 10 años antes que otra), pero no tiene sentido decir que el año 2000 es el doble del año 1000.
Por lo tanto, y este es el punto clave: los datos de intervalo no permiten hacer comparaciones proporcionales del tipo "el doble de" o "la mitad de".
DATOS DE RAZÓN EN CONTEXTO SANITARIO
Por otro lado, los datos de razón sí tienen un cero absoluto, lo que indica la ausencia total de la variable medida.
Ejemplos clásicos en bioestadística:
| Variable | Cero absoluto | Significado clínico |
|---|---|---|
| Peso corporal | 0 kg | Ausencia de masa |
| Talla | 0 m | Ausencia de estatura |
| Glucemia | 0 mg/dL | Ausencia total de glucosa en sangre |
| Dosis de fármaco | 0 mg | No se administró medicación |
| Días de hospitalización | 0 días | No hubo ingreso |
| Frecuencia cardíaca | 0 latidos/min | Ausencia de actividad cardíaca |
| Recuento de plaquetas | 0/μL | Ausencia total de plaquetas |
Si un paciente tiene 200 mg/dL de glucosa y otro tiene 100 mg/dL, sí podemos decir que el primero tiene el doble de concentración de glucosa que el segundo, porque la proporción tiene sentido clínico.
Este tipo de datos es esencial para:
Calcular indicadores clínicos (índice de masa corporal, clearance de creatinina)
Realizar análisis de supervivencia (tiempo hasta evento)
Aplicar modelos de regresión en investigación clínica
Calcular dosis ajustadas por peso o superficie corporal
Hacer comparaciones de efectividad entre tratamient
CONCLUSIÓN CLAVE PARA TU PRÁCTICA EN BIOESTADÍSTICA
"Entender si una variable es de intervalo o de razón determina qué operaciones matemáticas y qué pruebas estadísticas puedes aplicar. Las variables de razón te dan más flexibilidad analítica y te permiten hacer afirmaciones proporcionales con sentido clínico. Las de intervalo, aunque limitadas en este aspecto, siguen siendo útiles para medir cambios y diferencias."
Ahora, entendiendo esta diferencia, podrás aplicar de manera más efectiva las técnicas estadísticas adecuadas según el tipo de datos con el que estés trabajando en tus estudios clínicos y proyectos de investigación en salud.
Aprendimos que ésta se subdivide en datos cualitativos y cuantitativos y que los cualitativos a su vez se subdividen en nominales y ordinales y los cuantitativos se subdividen en ratios e intervalos.
Comprender estos niveles de medición nos permite tomar decisiones más precisas al elegir nuestras técnicas analíticas.
Saber cuándo aplicar cada tipo de análisis es clave para maximizar el impacto de nuestras estrategias de marketing, evaluar el desempeño financiero y optimizar la toma de decisiones.
Con esto estaría finalizando la sesión.
Muchas gracias.
Comentarios
Publicar un comentario