Descodificando letras

A estas alturas las vacaciones de verano empiezan a ser un recuerdo, poco a poco nos vamos metiendo en materia y, nos van surgiendo dudas de qué misteriosos mensajes vienen encriptados en los documentos que leemos, en ocasiones llenos de siglas que no terminamos de entender qué nos pueden aportar. Por eso, acude a nuestra ayuda #BaúldePreCLic con unas pistas al respecto. ¡Esperamos que os ayuden!

Hoy nos visitan el valor P y CI, ¿qué nos querrán contar?

Una de nuestras obligaciones como profesionales es mantenernos bien actualizados. Ya sea leyendo guías de práctica clínica, protocolos o artículos científicos sobre algún tema que nos interese. Algunas ocasiones también hemos llevado a cabo una investigación y, al realizar el análisis estadístico, hemos mirado y remirado ese p-valor ¿es estadísticamente significativo? ¿Es menor a 0,05? ¿Pero qué significa todo esto?

Para poder entenderlo, lo primero que hay que explicar es cómo funciona la investigación. La ciencia, mediante la investigación, nos ayuda a acercarnos a la realidad. Por ejemplo, imaginemos que queremos saber si un nuevo fármaco antihipertensivo consigue disminuir la presión arterial sistólica (PAS) en pacientes con hipertensión arterial (HTA) en mayor medida que otro más antiguo. La manera de conocer si esto es así, y para cuantificar el posible efecto, podría estudiar a todas las personas con HTA. Entonces conseguiría saber con cero dudas (cero error) la respuesta a mi pregunta. Pero, como ya intuiréis, esto es inviable: nos faltaría tiempo y recursos. Ni tan siquiera sabríamos si hemos conseguido estudiar a toda la población de interés (todas las personas con HTA, en este caso). Por eso, en investigación se usan muestras. Es decir, un “cachito” de esa población completa a la que queremos extrapolar (inferir) nuestros resultados. ¿Y qué sucede cuando usamos solo una parte de esa población? Pues que ya no podremos conocer esa realidad al completo, por lo que los resultados siempre tendrán un error. ¿Cómo? ¿Un error en investigación? Pues sí. Pero que no salten las alarmas, porque ese error está cuantificado. 

En la mayoría de los estudios en salud, y en otros campos, este error es del 5 % (o del 0,05 en tanto por 1). ¿Por qué del 5 %? Pues en realidad, porque sí. Se ha establecido por consenso científico. Y si miramos ese valor a la inversa (100 - 5 % o 1 - 0,05), tenemos lo que llamamos nivel de significación o nivel de confianza. Es como decir que estoy al 95 % seguro de que mis resultados son correctos. O que la probabilidad de acertar es del 95 % (y de errar del 5 %).

Volvamos al ejemplo de antes ahora mirando la figura que acompaña a este texto. Vamos a probar ese nuevo fármaco en una muestra de 500 personas. Resulta que disminuye la PAS en 9 mmHg de media. Estupendo, parece que funciona. Sin embargo, y como hemos comentado antes, solo podríamos saber la cifra exacta si estudiáramos a toda la población (en nuestro ejemplo, la hipotética cifra real es de 10 mmHg). Como solo hemos estudiado una muestra, no podemos conocer un resultado puntual, sino que tenemos que estimar un rango de resultados donde podría estar el resultado real. A eso se le llama intervalo de confianza (IC). Vale, pues en nuestro análisis el fármaco disminuye de media la PAS 9 mmHg, con un IC al 95% de 8-11 mmHg. Esto me indica que el dato real puede ser 8, 9, 10 u 11 mmHg. Está genial, este resultado es muy preciso. Ahora imaginad que repetimos el estudio pero con una muestra de 10 personas. De nuevo, nos sale que el fármaco disminuye de media 9 mmHg la PAS. Pero está el IC 95 % es 0-20mmHg. Es decir, que el dato real puede ser 10, 19, 5…ó 0 (vamos, que no disminuye nada la PAS respecto al otro fármaco). En este caso el IC es muy amplio, o poco preciso, por lo que la información que da es menos informativa del resultado real. Además dado que incluye el valor nulo (el cero) no resulta significativo. Por eso es tan importante no quedarse en el p- valor (en nuestro ejemplo, en ambos estudios este es <0,05) si no en lo ancho (poco preciso) o estrecho (muy preciso) que es el IC y de que no contenga el valor nulo.

Generalmente, para conseguir IC precisos se deben estudiar muestras grandes. De hecho, si cogiéramos una muestra tan grande como toda la población real, el intervalo sería tan estrecho que desaparecería (dado que estaríamos estudiando la población de verdad). Como eso no es posible, estudiamos una muestra con un tamaño que no es un número al azar: tiene que tener el tamaño justo para conseguir resultados precisos sin que nos pasemos de número (lo que haría que gastáramos recursos innecesariamente). ¿Y cómo se calcula?🙀 Eso, lo dejamos para otra ocasión.

¿Os ha gustado? Ya sabéis, en próximos capítulos, más info. Recordad que podéis preguntarnos dudas que iremos respondiendo semanalmente aquí, en vuestro blog de confianza 😉