Medicina Basada en la Evidencia

Medidas epidemiológicas – 264 – Es preciso señalar que las estimaciones de concordan- cia pueden variar de forma importante en función de los pesos elegidos. Una forma de estandarizar estos ín- dices, cuando no tenemos una hipótesis clara del grado de discordancia, es utilizar un sistema de ponderación proporcional a la distancia entre categorías: los pesos bicuadrados. A cada casilla se le asigna un peso (w i,j ) igual a: donde i es el número de columna en la tabla de contin- gencia, j el número de fila y k el número total de cate- gorías ( Tabla 6 ). Los pesos bicuadrados, calculados con esta fórmula, de los acuerdos intermedios de nuestro ejemplo (alto-medio y medio-bajo), serían 0,75. El índice kappa ponderado nos permite estimar el grado de acuerdo de pruebas diagnósticas con resultados ordinales. Se calcula de forma similar al índice kappa, pero ponderando los desacuerdos en función del grado discordancia Es interesante señalar que si se emplean estos pesos el valor del índice kappa ponderado se aproxima al del coeficiente de correlación intraclase que veremos más adelante, cuando revisemos las medidas de concordan- cia para variables continuas. Variables continuas Desviación estándar intrasujetos Cuando el resultado de una prueba se mide en una es- cala continua, podemos estimar el error de medición calculando la variabilidad existente entre medidas re- petidas en los mismos sujetos. El parámetro que me- jor refleja dicha variabilidad es la desviación estándar intrasujetos (excluyendo la observada entre sujetos). Para calcularlo necesitamos una serie de sujetos a los que se les realicen al menos dos mediciones. Veamos un ejemplo: En la Tabla 7 se presentan los resultados de dos medi- ciones repetidas de bilirrubina transcutánea en recién nacidos ictéricos. En la tabla aparecen las diferencias y las medias entre medidas. Como podemos ver, hay algu- nas observaciones con discrepancias de 1 o 2 unidades con diferente dirección; la tabla también permite valo- rar si las diferencias se relacionan con el nivel medio. La desviación estándar intrasujetos puede calcularse fá- cilmente usando un programa que realice análisis de la varianza (ANOVA). El ANOVA descompone la variación que hay entre el conjunto de mediciones (estimada a través de la diferencia de cada valor respecto la media global al cuadrado) en varios componentes: la variación entre las mediciones de los diferentes sujetos (entre las filas de la Tabla 7 ) y la variación residual, que en una ANOVA de un factor corresponde a la variación entre las mediciones de cada sujeto (entre las columnas de la Tabla 7 ). Con pruebas diagnósticas de resultado continuo, la desviación estándar intrasujetos, calculada mediante análisis de la varianza, permite estimar el margen de error de nuestras mediciones En la Tabla 8 podemos ver el ANOVA para los datos de la Tabla 7 . El parámetro denominado CMr (cuadra- dos medios de los residuos) es la varianza residual o intrasujetos (que depende de las diferencias entre las mediciones repetidas de cada sujeto). Si realizamos la raíz cuadrada de CMr obtendremos la desviación están- dar intrasujetos (s i ). La s i puede calcularse igualmente a partir del ANOVA para estudios con más de 2 medicio- nes por sujeto. Utilizando la s i podemos cuantificar el margen de error de nuestras mediciones. Así, podemos estimar que la diferencia entre una medición determinada y el verda- dero valor no será mayor de 1,96 veces la s i en el 95 % de las observaciones (asumiendo que siguen una dis- tribución normal, el 95% de las determinaciones caerán en el intervalo entre el valor verdadero +1,96 veces la desviación estándar). Para nuestro ejemplo, la s i es 0,54 (raíz cuadrada de 0,3), por lo que la diferencia estimada respecto al valor verdadero será menor de 1,05 (1,96 x 0,54). Estas diferencias parecen clínicamente asumibles. Tabla 6. Pesos bicuadrados (en negrita) según el grado de concordancia 1ª evaluación (k = 3 categorías) 2ª evaluación (k = 3 categorías) Riesgo bajo i = 1 Riesgo medio i = 2 Riesgo alto i = 3 Riesgo bajo j = 1 Riesgo medio j = 2 Riesgo alto j = 3