Medicina Basada en la Evidencia

Análisis multivariante… – 669 – Como vemos, hay varias variables implicadas, por lo que parece necesario recurrir a análisis multivariante. Los pasos de la modelización son: 1. Modelo máximo. Incluimos las variables descritas en la Figura 4 , además de un término de interacción entre edad menor de 2 años y sangre en heces. 2. Codificación de variables y elección de los valores de referencia. Todas las variables se han recodificado a valores 0-1 y hemos creado tres variables indica- doras ( dummies ) para analizar la estación del año, siguiendo el esquema de la Tabla 1 . Con este esque- ma cada una de las variables indicadoras, de valor 0 o 1, expresarán la diferencia de riesgo entre cada estación y la estación de referencia, en este caso, invierno. En función del programa estadístico que empleemos, las variables indicadoras las tendremos que crear nosotros o las creará automáticamente el programa, pero siempre debemos controlar este proceso y conocer el esquema de recodificación, del que existen diversas alternativas, para poder inter- pretar los resultados. Asimismo, hemos creado un término de interacción para modelizar la diferente capacidad predictiva de la sangre en heces en fun- ción de la edad menor/mayor de 2 años (EdadxSan- gre), multiplicando los valores de ambas variables. 3. Estrategia de modelización. Elegimos una estrategia “hacia atrás”, considerando el valor Z asociado a cada variable (contraste de Wald), estimado a partir del cociente de cada coeficiente y su error estándar. Hay que recordar que las variables indicadoras entran y salen del modelo en bloque, aunque individualmente algunas de ellas no resulten significativas. Asimismo, el término de interacción entra con las variables re- lacionadas, pero puede eliminarse, dejando las rela- cionadas, si no resulta estadísticamente significativo y su eliminación no empeora el modelo en conjunto. En la Figura 5 se presenta el análisis de regresión logística múltiple realizado con RCommander. En la salida de resultados se presentan los coeficientes de cada variable (Estimate), sus errores estándar (Std. Error), el contraste individual (Z value) y su signifi- cación (Pr(>|z|)); más abajo están los coeficientes exponenciados (Exponentiated coefficients “odds ra- tios”) y sus intervalos de confianza. Los coeficientes de las variables indicadoras (Primav, Verano y Otoño) y sus correspondientes OR informan de la probabi- lidad de gastroenteritis bacteriana en comparación con el riesgo de la estación de referencia implícita (Invierno). Podemos ver que ingresar en verano se asocia a un riesgo 5,21 veces mayor que en invierno (categoría de referencia), con una confianza del 95% Figura 4. Frecuencia de gastroenteritis bacteriana en función de la presencia de sangre en heces, Edad menor de 2 años y Estación del año Gastroenteritis bacteriana Sangre sí 74% Menor 2 años 30% Menor 2 años. Sangre sí 88% Mayor 2 años. Sangre sí 43% Sangre no 27% Mayor 2 años 34% Menor 2 años. Sangre no 24% Mayor 2 años. Sangre no 33% Est_Invierno 17% Est_Primavera 22% Est_Verano 54% Est_Otoño 38% 0% 20% 40% 60% 80% 100% Tabla 1. Recodificación de variables indicadoras (valores nuevos) Valores originales de la variable estación del año Variables indicadoras 1 (invierno) 2 (primavera) 3 (verano) 4 (otoño) E_Primavera 0 1 0 0 E_Verano 0 0 1 0 E_Otoño 0 0 0 1