Caos, cajones y ciencia. Tipos de revisiones.
byManuel Molina Arias. Servicio de Gastroenterología. Hospital Infantil Universitario La Paz. Madrid. España. Todos tenemos en casa ese cajón infame, esa especie de Triángulo…
Ciencia sin seso… locura doble
Ciencia sin seso… locura doble, una sección orientada a la metodología de la ciencia presentada por el Dr. Manuel Molina
La rotonda maldita. Factor de confusión no medido.
byManuel Molina Arias. Servicio de Gastroenterología. Hospital Infantil Universitario La Paz En casi todos los pueblos hay una rotonda maldita. Desde que la pusieron…
Nos vamos a extinguir, seguro. Teorema del límite central.
byManuel Molina Arias.Servicio de Gastroenterología.Hospital Infantil Universitario La Paz.Madrid. España. Si uno hace caso de las películas, tenemos más maneras de extinguirnos que de…
La diva que mueve el efecto. Influencers en metanálisis.
byEn algunas ocasiones, entre los estudios primarios de un metaanálisis puede haber algunos que, sin estimar un efecto excesivamente grande o pequeño, pueden tener una gran influencia sobre la estimación global del estudio combinado, comprometiendo así la robustez de la estimación de medida global. Son los denominados estudios influyentes o, más comúnmente, influencers. Se describe la diferencia entre estos y los estudios atípicos o extremos, así como los métodos más utilizados para detectarlos.
El umbral perfecto. Umbral diagnóstico.
byMuchas pruebas diagnósticas se basan en modelos estadísticos que predicen la probabilidad de que un determinado sujeto sea positivo para esa prueba. Aunque la curva ROC evalúa el rendimiento global de la prueba, la elección del umbral de probabilidad para diferenciar entre positivos y negativos condicionará el rendimiento de la prueba en un escenario clínico determinado.
El cocinero mentiroso. La distribución beta.
byLa distribución binomial se utiliza cuando queremos calcular la probabilidad de obtener un cierto número de éxitos en una serie de ensayos de Bernoulli, conociendo de antemano la probabilidad de éxito en cada uno. En cambio, la distribución beta se usa cuando ocurre lo contrario: ya hemos observado un número determinado de éxitos y fracasos, y queremos estimar cuán probable es cada posible valor de la probabilidad de éxito. Es decir, nos permite actualizar nuestras creencias sobre esa probabilidad tras haber recogido datos.