Este documento explica conceptos clave para entender artículos sobre reglas de predicción clínica. Describe qué son las RPC y cómo se desarrollan usando técnicas estadísticas como regresión logística multivariante, análisis de supervivencia de Kaplan-Meier y el modelo de Cox. También define conceptos como discriminación, calibración y validación, los cuales miden la precisión y aplicabilidad de las RPC.

1. Reglas de Predicción Clínica
A propósito del Bascore: algunos conceptos
para entender mejor el artículo
MBE-Osatzen taldea

2. Tampoco es eso, aunque saber
interpretar los números es importante

3. ¿Qué es una RPC?
• Una herramienta clínica que cuantifica las
contribuciones individuales que los diversos
componentes de la historia, la exploración
física y los resultado básicos aportan al
(diagnóstico), pronóstico (o respuesta
probable al tratamiento) en un paciente
concreto.

6. Regresión logística multivariante
• Variable dependiente: dicotómica, variables
independientes: cuantitativas o dicotómicas

7. ANÁLISIS DE SUPERVIVENCIA:
KAPLAN MEIER
0 1 2 3 4 5 6 7 8 9 10
Tiempo
1,E
2,E
Sujeto
Fecha inicio
Fecha cierre
3,S
4,E
6,P
5,S
7,S
Duración del seguimiento variable
Tiempos “censurados”

8. ANÁLISIS DE SUPERVIVENCIA:
KAPLAN MEIER
0 1 2 3 4 5 6 7 8 9 10
Tiempo
1,E
2,E
Sujeto
Fecha inicio
Fecha cierre
3,S
4,E
6,P
5,S
7,S
Utiliza técnicas estadísticas para ponderar los
tiempos de seguimiento y los datos
censurados
“Tasa de incidencia”, “personas-año”

9. ANÁLISIS DE SUPERVIVENCIA:
KAPLAN MEIER
Características:
- Fecha final, pero los sujetos
si incorporan en momentos
diferentes
- Se incorporan
observaciones incompletas
(“datos censurados”)
- Incorpora el ritmo en que
se van presentando los
eventos (“tasa de incidencia”)
- Se utiliza en estudios largos
y cuando es importante la
forma de la curva

10. Modelo de Cox
• Los métodos de regresión de supervivencia se
han diseñado para compensar la presencia de
observaciones censuradas (pérdidas).
• Cox: el método más utilizado. Análisis
multivariante aplicado a datos de
supervivencia.
• El supuesto principal es que la diferencia de
riesgo instantáneo se mantenga constante
durante el seguimiento.

11. DISCRIMINACIÓN
• Es la capacidad del modelo para distinguir
(Discriminar) individuos con y sin el evento de
interés.
• La discriminación es la capacidad del modelo de
asignar el resultado correcto a un par de sujetos
seleccionados al azar
• El área bajo la curva ROC (AUC) es la medida de
discriminación frecuentemente utilizada para
modelos de error normal y resultado binario.
• Su equivalente para los datos con observaciones
censuradas es el estadístico C.

12. Discriminación “gutxigorabehera”:
conceptualmente viene a ser lo mismo que una
curva ROC

13. Discriminación
Dos individuos se consideran
“concordantes” si la
probabilidad estimada de
evento CV es mayor en la
persona con evento que en la
persona sin evento.

14. Discriminación
• C (AUC)= 0,62 significa que en un experimento
con pares de individuos con y sin el evento, la
ecuación asignaría una mayor probabilidad
(62%) de evento a aquellos que lo presentarán
que a aquellos que no presentarán el evento.
• Si 0,5: como echar una moneda al aire
• Discriminación perfecta: 1
• Buena discriminación: >0,7

16. CALIBRACIÓN
• La calibración es una medida que expresa la
concordancia entre los resultados observados y las
predicciones del modelo. En otras palabras, es la
capacidad del modelo de producir estimaciones no
sesgadas de la probabilidad del evento o variable
de valoración.
• Las medidas de calibración más habituales son la
calibración general, la pendiente de calibración
(ambas derivadas de los gráficos de calibración) y la
prueba de Hosmer-Lemeshow (o su equivalente
para la regresión de Cox, la prueba de Gronnesby y
Borgan).

20. VALIDACIÓN
• Lo mismo en poblaciones diferentes.
• Primero, se suele hacer en la misma muestra
(ej, 25% de la muestra para validación) y
luego, muy importante, en distintas
poblaciones.