Multimed 2014; 18(2)
Abril-Junio
Índices de predicción, algunos aspectos
metodológicos para su construcción y validación.
Prediction indexes, some
methodological aspects for its bulding and
validation.
Alexis
Álvarez Aliaga; 1 Liliana del Rosario Maceo Gómez; 2 Adonis Frómeta Guerra; 3 Adolfo Luis Malcolm Suárez4
1
Especialista de II Grado en Medicina Interna. Máster en Ciencias Médicas.
Profesor Auxiliar. Hospital General Universitario “Carlos Manuel de Céspedes”.
Bayamo. Granma.
E-mail: alexis.grm@infomed.sld.cu
2
Especialista de II Grado en Medicina Interna. Profesor Asistente. Máster en
Ciencias Médicas. Hospital General Universitario “Carlos Manuel de Céspedes”.
Bayamo. Granma.
3
Especialista de II Grado en Medicina Interna. Profesor Asistente. Máster en
Ciencias Médicas. Hospital General Universitario “Carlos Manuel de Céspedes”.
Bayamo. Granma.
4
Especialista de Primer Grado en Ginecobstetricia. Máster en Atención Integral a la Mujer. Asistente. Hospital Provincial Universitario Carlos Manuel de Céspedes. Bayamo. Granma.
RESUMEN
Los índices de predicción
son herramientas muy útiles en práctica médica diaria, su génesis tiene lugar
en países desarrollados, basados en las características de su población, así
como en el empleo de ítems no siempre disponibles en los países en vía de
desarrollo. A lo anterior se une, las diferencias encontradas en la predicción
del riesgo, en diferentes investigaciones, cuando fueron aplicados en
poblaciones de otras latitudes; aspectos que indican la necesidad de crear y
validar nuevos instrumentos en las regiones donde serán empleados o al menos
modificarlos. Es inevitable entonces, que países no desarrollados generen sus propios
índices, teniendo en cuenta las características de su población y los recursos
con los que cuentan, y no exclusivamente dedicarse a utilizar los realizados
por países industrializados, pues se puede correr la eventualidad de subestimar
o sobreestimar el riesgo.
Descriptores DeCS: Predicción; Pronóstico ABSTRACT
The
prediction indexes are useful tools in the daily medical practice, their genesis
occurs in developed countries, based on the population characteristics, as well
as in the application of items that are not always available in the developed
countries. Besides, there are some differences in the risk prediction, in
several investigations when they were applied in populations from other
countries; there are aspects that indicate the need to create and validate new
instruments in the regions where they are supposed to be applied. It is
inevitable then, that non- developed countries generate their own indexes,
taking into consideration the characteristics of the population and their
resources, without using exclusively the resources of industrialized countries,
because there may occur a possibility to underestimate or overestimate the
risk.
INTRODUCCIÓN
Establecer el pronóstico
de un enfermo constituye, sin dudas, una de las tareas más complejas de la
práctica médica y la que más agradece el paciente y sus familiares. Frente a
esta tentativa, se han creado y validado índices o funciones en aras de
predecir el riesgo de enfermar o morir. Pero sin dudas, es necesario el
conocimiento de la estadística, para poder interpretar estas investigaciones tanto
desde el punto de vista científico como clínico-práctico.
Por otra parte, el médico ante una serie de datos relacionados con un
paciente, necesita conocer cómo estos datos se corresponden con la situación
actual del enfermo (diagnóstico) o con su futuro (pronóstico). También la
recomendación de una nueva prueba diagnóstica, escala o tratamiento, requiere
que haya demostrado estadísticamente superioridad al comparar con las
alternativas existentes.1
Sin
embargo, la determinación cuantitativa y semicuantitativa del riesgo de enfermar o de morir por una enfermedad, es aún un problema actual.
En ello influyen principalmente, las limitaciones en cuanto a sensibilidad y
valor predictivo positivo de los índices que obligan al mejoramiento continuo.2
No obstante,
su precisión y fiabilidad podrían mejorarse mediante el empleo de nuevos
marcadores con buena capacidad predictiva, que sean fáciles de medir, económicos
y asequibles, por ejemplo, el perímetro de la cintura, la función renal o los
tratamientos farmacológicos.2
En la construcción de un índice predictivo se debe tener presente varios
elementos, como son: la capacidad predictiva multifactorial es superior a la
que muestra la consideración aislada de cada factor de riesgo; son modelos matemáticos basados en estudios
prospectivos de cohorte que modelizan el riesgo de
contraer una enfermedad o morir por ella, en función de diversos factores de
riesgo o pronósticos, tanto modificables como no modificables; y finalmente, la utilidad de un índice
como herramienta de apoyo en la toma de decisiones también necesita de estudios
de validación que verifiquen su capacidad predictiva en la población a la que
serán aplicados,3 aspectos no suficientemente investigados en
nuestro país.
Actualmente, la amplia
disponibilidad de los paquetes informáticos estadísticos, permite que los
propios investigadores, a pesar de no contar con una formación muy extensa en
estadística, puedan dedicarse al análisis de sus datos.
Teniendo en cuenta lo anterior comentado, la presente serie tiene como
objetivo familiarizar a los profesionales de la salud con métodos estadísticos
relacionados con la construcción y validación de índices predictivos.
PASOS A TENER EN CUENTA EN LA CONSTRUCCIÓN
Y VALIDACIÓN DE UN ÍNDICE:
Búsqueda y
selección de los factores de riesgo construcción validez validación de los índices.
Búsqueda y selección de los factores de
riesgo hipotéticos
Para decidir
aquellas variables que se incluirán en el índice, se debe realizar a priori una búsqueda sistemática y exhaustiva de
todos los artículos potencialmente relevantes; seleccionados mediante criterios
explícitos y reproducibles, además, de valorar el diseño metodológico;
finalmente se efectuará la síntesis de los datos obtenidos y la interpretación
de los resultados. Son útiles para
dicha búsqueda, bases de datos bibliográficas electrónicas como: MEDLINE, EMBASE, Hinari, PubMed Central, Ebsco y SciELO. También, revisiones sistemáticas de la Cochrane,
sumarios de revistas, resúmenes de congresos, tesis de grado, así como contactos
con colegas experimentados en la materia (consulta a expertos).
Es
importante que el investigador tenga presente la
definición de la pregunta clínica de interés y los criterios de inclusión y
exclusión de los estudios: ¿Cuáles son los factores de riesgo o pronóstico de
determinada enfermedad? seguido de la localización y selección de las
investigaciones relevantes y, posteriormente, la extracción y análisis de los datos de cada estudio.
También puede realizarse a través del método Delphy (oráculo de Delphy), que es un procedimiento prospectivo con estricta metodología;
su fundamento es el análisis de las ideas respecto al futuro, de un grupo de
expertos en un área del conocimiento, encaminada a la búsqueda de un consenso
de opiniones. La calidad de los resultados de la encuesta depende, fundamentalmente,
del cuidado en la elaboración del cuestionario y en la elección de los expertos
consultados.4-7 Es un
método apropiado para el estudio de temas en los cuales la información, tanto
del pasado como del futuro no se encuentra disponible de forma clara.6
Modelos
de regresión
Mediante estudios univariados (de casos y testigos, cohorte, etcétera) se
deben identificar los factores de riesgo o de pronóstico; posteriormente se
hace necesario elegir un modelo de regresión multivariado, en aras de reducir al
menor número posible los ítems que integrarán el índice, pero que a la vez,
permitan predecir el riesgo del evento adverso con exactitud adecuada.
Los modelos de regresión multivariables se utilizan ampliamente en las investigaciones
médicas, con el objetivo de explicar las interrelaciones que existen entre
ciertas variables o para determinar los factores que influyen en la presencia o
ausencia de un episodio adverso determinado. Es aquí, donde los modelos de
regresión multivariables se convierten en un
instrumento útil, al suministrar una explicación matemática simplificada de
dicha relación.8
El objetivo final será
obtener un modelo simplificado que tenga sentido desde una perspectiva
biológica, se ajuste estrechamente a los datos disponibles y aporte
predicciones válidas al aplicarlo a datos independientes.8
Los modelos de regresión
tienen en general una estructura común que debe resultar familiar a la mayoría;
habitualmente tienen el siguiente patrón: respuesta= ponderación1Xpredictor1 +ponderación2Xpredictor2+. . ponderaciónk X predictork. La variable a explicar se denomina variable
dependiente (o de evaluación). Cuando la variable dependiente es binaria, la
literatura médica se refiere a ella en términos de eventos clínicos o episodios
adversos. Los factores que explican la variable dependiente se denominan
variables independientes (o explicativas) y al resto de las variables, se nombran
de manera genérica covariables.8
Existen varias estrategias
para la elaboración de los modelos predictivos entre las más importante se
citan:8-11 a) incorporar la mayor cantidad posible de datos exactos;
b) imputar datos si es necesario, ya que mantener un adecuado tamaño de la
muestra es de vital importancia; c) especificar de antemano la complejidad o el
grado de no linealidad que deberá permitirse para cada predictor; d) limitar el
número de interacciones e incluir solamente las preespecificadas y basadas en cierta plausibilidad biológica; e) seguir la regla de 10-15
eventos por variable dependiente para criterios de valoración binarios, con el
fin de evitar la sobresaturación del modelo, y si esto no es posible, utilizar
técnicas para la simplificación de los datos; f) tener presente los problemas
asociados al uso de las estrategias de selección escalonada; en caso de
utilizarlas, preferir la eliminación retrógrada y establecer el valor de p=
0,157; en caso de muestras pequeñas, relajar aún más la regla de detención (p=
0,25-0,5) con el fin de no ignorar predictores importantes; utilizar el
conocimiento previo como guía en la selección de las
variables siempre que sea posible; g) verificar el grado de colinealidad entre los predictores importantes y utilizar la experiencia y la información
que se tenga del tema para decidir qué predictores colineales deben ser incluidos en el modelo final.
La elección del método estadístico apropiado estará en función del
resultado y el tipo de predicción que se proponga realizar (regresión lineal, regresión
logística, binario con observaciones censuradas, regresión proporcional de Cox,
regresión de supervivencia paramétrica, entre otros).
Construcción
de los índices.
Una vez que se obtienen los factores de riesgo
independientes, se procede a la construcción del índice. Para mayor exactitud
de las ponderaciones de los ítems, los coeficientes de regresión, son los
preferibles para tomar como “peso” para cada ítem, sin embargo su número
decimal y pequeño nos obliga a amplificarlo multiplicando por diez y
aproximándolo a números enteros (ejemplo, tabla 1).
Tabla 1. Factores
pronóstico de muerte por neumonía adquirida en la comunidad. Modelo de
regresión logística. Se incluye la ponderación de cada variable, al amplificar
el coeficiente de regresión multiplicado por diez.
*Coeficientes
estimados del Modelo que expresa la probabilidad de enfermar en función de las
variables.
El índice se
formaría por ítems que se integrarán en un índice global que tomaría la forma
de una combinación lineal entre los ítems: I= W1X1+W2X2+……+
WKXK.
Donde Xi es la i-ésima variable que
constituyera factor de riesgo en cada análisis estadístico y Wi es el “peso” escogido para dicha variable. La
fase de construcción se basa en la selección de los ítems que conformarían el
indicador y la búsqueda de los “pesos” o ponderaciones que debería llevar cada
ítem en la combinación lineal.
Hasta aquí, tenemos una variable cuantitativa, sin
embargo, desde el punto de vista práctico, es preferible obtener una variable
ordinal que ofrezca categorías o niveles de riesgo, de esta manera la
estratificación del riesgo del paciente es más sencilla y comprensible. Para lograr
lo antes expuesto, se clasifica el riesgo con una escala ordinal enmarcadas por
percentiles (según en las categorías que pretenda dividir al índice; por
ejemplo si son tres categorías, sería entre los percentiles 50 y 90, y si es
cuatro sería entre los percentiles 10, 50, 90).12
Seguidamente, hay que determinar la capacidad
predictiva (validez interna) del índice propuesto. Sin embargo, el concepto de
validez de una función de riesgo es complejo porque en ocasiones se utilizan
términos y pruebas estadísticas poco conocidos o utilizados por los profesionales
de la salud y con frecuencia se confunde su terminología y aplicación.2
La validez es el grado en que un
instrumento de medida calcula lo que realmente pretende medir, para ello se
suele compararcon un estándar de referencia. Así por
ejemplo, en el caso de las ECV se cuenta con un instrumento que se compara con
la verdadera proporción de eventos cardiovasculares ocurridos durante un
período, en un conjunto de personas. Se utilizan los conceptos siguientes:2,13,14
-Sensibilidad: representa la probabilidad de que un
individuo esté enfermo, habiendo dado positivo en la prueba diagnóstica
(riesgo alto).
-Especificidad: representa la probabilidad de que
un individuo esté sano, con un resultado negativo en la prueba diagnóstica
(riesgo no alto).
-Valor predictivo positivo: proporción de personas
con un resultado positivo en la prueba diagnóstica (riesgo alto) que tienen la
enfermedad.
-Valor predictivo negativo: proporción de personas
con un resultado negativo en la prueba diagnóstica (riesgo no alto) que no
tienen la enfermedad.
Validación de los índices.
La validación trata de establecer hasta qué punto lo predicho por la
función de riesgo se corresponde con la realidad. Se refiere sobre todo a la
validez externa y, por tanto, constituye un mejor estimador de su rendimiento
que los criterios clásicos de validez (sensibilidad, especificidad y valores
predictivos), en este proceso se debe determinar la capacidad discriminativa y
la calibración del índice.2 Sin embargo, otros aspectos como validez
de contenido, presentación, construcción y de criterio deben ser evaluados.12
Validez de contenido y presentación: estas fases se exploran juntas, mediante una
encuesta a expertos los que se deben pronunciar sobre el cumplimiento de las
cinco propiedades básicas que deben cumplir los índices.15 Los
expertos se deben pronunciar sobre el grado de cumplimiento de cada uno de los
elementos que integran el índice según tres posibilidades: nada, moderadamente
o mucho (razonable
y comprensible: comprensión de los
diferentes ítems que se evalúan en relación con el fenómeno que se pretende
medir; sensible a variaciones en el
fenómeno que se mide: si del instrumento puede derivarse un índice que
distinga las diferentes categorías de riesgo; con suposiciones básicas justificables: si se justifica la
presencia de cada uno de los ítems que se incluyen en el instrumento; con
componentes definidos: si cada ítem se define claramente; derivable de datos factibles de obtener:
si es posible obtener la información deseada a partir de la aplicación del
instrumento).12,15
Validez de construcción: para evaluar este aspecto, se tiene en cuenta que
la mayor morbilidad debe corresponder con los pacientes clasificados en las
categorías de más riesgo. La asociación entre el índice ordinal y el riesgo de
padecer el evento adverso se evalúa a partir del cálculo de un coeficiente de
asociación para variables ordinales y nominales, por ejemplo el coeficiente Eta.
Validez de criterio: se debe determinar la asociación entre el índice en
su forma ordinal y otro ya existente (para evaluar el mismo fenómeno), con igual
número de categorías, y se debe realizar mediante el cálculo de un coeficiente
de asociación para variables ordinales (ejemplo: Tau B de Kendall) y la prueba
de Ji Cuadrado.
Para evaluar la asociación lineal entre los índices
cuantitativos y el riesgo de evento adverso, se puede emplear el coeficiente de
correlación de Pearson.
Discriminación: es la condición que describe con exactitud una
predicción dada, es decir, se refiere a la capacidad de la funciones de riesgo para
distinguir a los pacientes que tendrán la enfermedad o el evento de interés de
los que no. Se representa mediante el área bajo la curva Característica
Operador Receptor (ROC de sus siglas en inglés Receiver Operating Characteristics)
valores de 0,5 o menos indican que el índice no discrimina mejor que el azar y
valores cercanos a 1 revelan buena discriminación (son deseables valores
mayores o iguales a 0,75).1,2,16-20
Figura 1. Evaluación de la capacidad discriminativa
del índice pronóstico de muerte por neumonía adquirida en la comunidad.
Un desplazamiento "hacia arriba y a la
izquierda" de la curva ROC traduce la mayor exactitud predictiva de un
índice. Esto sugiere que el área bajo la curva se puede emplear como un índice
conveniente de exactitud global.
Calibración: consiste en comparar lo predicho por el índice
(proporción predicha) con lo observado en realidad (verdadera proporción de enfermos
con el evento). Se expresa mediante un valor de p que sigue una distribución de
χ2 de bondad de ajuste, utilizándose el estadístico c de Hosmer Lemeshow o alguna
modificación. Si el valor p es mayor de 0,05 se concluye que el índice calibra adecuadamente.1,2
Finalmente, para concluir la validación, se precisa
conocer la confiabilidad del índice, que puede ser como se explica a
continuación.
Confiabilidad: es necesario calcular el coeficiente de
confiabilidad general y el grado de cumplimiento de dos de sus aspectos, la
equivalencia en cuanto a concordancia entre “jueces” y la consistencia interna.12
El coeficiente de confiabilidad R brinda una
estimación de la parte de la variación total que se debe a los paciente.12
La equivalencia se determina a través de “jueces,” (profesionales
de la salud que serían usuarios del índice) a quienes se les aplica por
separado el instrumento. Los “jueces” deben ser instruidos sobre las
características del índice bajo estudio, el cual será aplicado a la muestra de
validación. Para evaluar la concordancia entre “jueces” se debe calcular los
coeficientes de correlación para todos los posibles pares de jueces. Para el
índice ordinal, se determinará el coeficiente Kappa ponderado para más de dos
jueces y los Kappa para cada una de las categorías de riesgo. La significación
estadística se calcula al Kappa global y para cada uno de los Kappa por
categorías.
Para la evaluación de la consistencia interna de un
índice o un instrumento se emplean varias fórmulas, pero una de las más
recomendadas es el coeficiente alfa de Conbrach.21 Toma valores entre 0 y 1 y
sirve para comprobar si el instrumento que se está evaluando recopila
información defectuosa o si se trata de un instrumento fiable que hace
mediciones estables y consistentes. Es
un coeficiente de correlación al cuadrado que mide la homogeneidad, promediando todas las correlaciones entre todos
los ítems para ver que, efectivamente, se parecen. Los ítems cuyos
coeficientes ítem-total arrojan valores menores a 0,35 deben ser desechados o
reformulados, ya que las correlaciones a partir de 0,35 son estadísticamente
significativas más allá del nivel del 1%. Una baja correlación entre el ítem y
el puntaje total puede deberse a una mala redacción del ítem o que el mismo no
sirve para medir lo que se desea medir.21-25
Con el mismo objetivo antes mencionado se puede determinar
el coeficiente de correlación entre cada ítem y el que se formaría con la suma
del resto de los ítems. También es útil determinar el coeficiente de determinación
(R2) que surge de poner cada ítem como variable dependiente y el
resto como variable independiente. Estos cálculos ofrecen información del nivel
de correlación entre los ítems.
Características que debería cumplir un índice
En opinión de los autores, para
proponer un índice a la comunidad científica, el mismo debe cumplir con los
siguientes aspectos: poder ser aplicado de forma fácil, sencilla, con
sensibilidad y especificidad aceptablemente adecuadas; tener un mínimo de
variables para facilitar su aplicación en la práctica asistencial diaria pero
que a la vez sea capaz de detectar aquellos individuos que sufrirán el evento que
se evalúa.
Finalmente, debería ser sensibles a modificaciones, es decir
poseer la capacidad de recalificación.16,26-28
Principales limitaciones y futuro de los índices de
predicción
Entre las principales limitaciones
se encuentran: el error de considerarlos pruebas diagnósticas; pueden estar
limitados por la sensibilidad, especificidad y el coste; subestimar el riesgo al no incluir a todos los
factores (aunque un número elevado de variables puede complejizar el cálculo) o
sobrestimarlo al aplicarlo en regiones con menor incidencia.2,28-30
En el futuro los índices para
identificar el riesgo deben añadir nuevas factores con probado efecto predictivo,
teniendo en cuenta los conocimientos fisiopatológicos actuales de las
diferentes enfermedades. Una alternativa es incorporar elementos pronósticos recientes (biomarcadores o métodos diagnósticos) a la estimación del
riesgo basada en factores de riesgo clásicos.31-34
Otro aspecto a tener
presente es que el riesgo
asociado a los factores incluidos en los índices no siempre se mantiene
constante toda la vida, por ejemplo, es conocido que a partir de los 65 años la
fracción lipídica que predice mejor el riesgo es la HDL y no colesterol total,
por tal motivo parece razonable construir modelos que calculen el riesgo a
medio plazo sobre todo en el anciano.35
En la
actualidad, se proponen nuevos métodos de evaluación de los modelos predictivos.
Por ejemplo, los que estiman en cuantos pacientes se reclasifica su riesgo al
añadir al modelo un determinado marcador.36 Aspecto que sin dudas
perfeccionan su carácter predictor.
Por otra parte,
se debe señalar que entre las principales limitaciones de los estudios
observacionales es la existencia de
diferencias basales entre grupos de pacientes tratados de distinta manera que
pueden influir en las diferencias encontradas al comparar los tratamientos. Con
el objetivo de reducir este sesgo potencial, se utiliza el propensity score (puntajes de susceptibilidad), que mide la
probabilidad de que un paciente se encuentre en un determinado grupo de
tratamiento por sus características antes del tratamiento. El principal aporte
del propensity score es que se comporta como una
variable única, que incluye todas las posibles covariables fuente de sesgo.37
Control de sesgos
Otro aspecto
importante a tener en cuenta en la elaboración de los índices predictivos, es
el control de los sesgos.
El término sesgo, se refiere al error en la
medición de un efecto causal. La abrumadora mayoría de las modalidades de sesgo
asociadas a esta acepción, se deben a diseños o análisis inadecuados, y son
formas de sesgo metodológico.
Es un defecto estructural que no se corrige con grandes tamaños de muestras.
La estadística, excelentemente equipada
para el manejo de los sesgos aleatorios, poco puede hacer por sí misma frente a
los sesgos sistemáticos.39,40
Es fundamental entonces, para
no arribar a conclusiones equivocadas que el investigador identifique los confusores, y como no se puede realizar a partir del
análisis estadístico de datos empíricos, es necesario el conocimiento teórico
específico del problema que origina la evaluación de la posible relación causal.40
CONSIDERACIONES FINALES
A pesar de lo difícil, complejo y a veces abstracto, la construcción y validación de índices predictivos, fueron, son y serán herramientas muy útiles en la evaluación objetiva de los enfermos. Son aportes prácticos, que no solo mejoran la calidad de los servicios sino que permiten además, optimizar los recursos económicos y humanos, aspectos importantes a tener en cuenta en países como el nuestro. Aunque estas investigaciones tienen su origen en países desarrollados, son indispensables en naciones de bajos recursos, en aras de disminuir el coste de la asistencia médica, aspecto esencialmente necesario en países en vías de desarrollo.
REFERENCIAS BIBLIOGRÁFICAS
1.
Sanchis J, Avanzas P, Bayes-Genis A, Pérez de Isla L, Heras M. Nuevos métodos
estadísticos en la investigación cardiovascular. Rev Esp Cardiol. 2011;
64(6):499–500.
2.
Baena-Díez
JM, Ramos R, Marrug J. Capacidad predictiva de las funciones de riesgo cardiovascular: limitaciones y oportunidades. Rev Esp Cardiol [Internet]. 2009 [citado 25 Ago 2010]; 9 Supl:4B-13B. Disponible en: http://www.revespcardiol.org/es/capacidad-predictiva-las-funciones-riesgo/articulo/13137261/.
3.
Grau
M, Marrugat J. Funciones de riesgo en la prevención
primaria de las enfermedades cardiovasculares. Rev Esp Cardiol. 2008;61:404-6.
4.
Comet Cortas P, Escobar Aguilar G, González Gil T, de Ornijana Sáenz Hernández A, Rich Ruiz M, Vidal Thomas C, et al. To establish nurse research priorities in Spain:
Delphi Study. Enferm Clin.
2010;20(2):88-96.
5.
Jensen JL, Croskerrry P, Travers AH. Paramedic clinical decision making during high acuity emergency
calls: design a methodology of a Delphi study. BMC Emerg Med. 2009;9:17.
6.
Guangyi X, Chongsuvivatwong V, Geater A, Ming L, Yun Z. Application of Delphi
technique in identification of appropiate screening
question for chronic low back
pain from traditional Chinese medicine experts opinion. J Altern Complement Med.
2009;15(1):47-52.
7.
Rodríguez
Perón JM, Aldana Vilas L, Villalobos Hevia N. Método Delphi para la
identificación de prioridades de ciencia e innovación tecnológica. Rev Cubana Med Mil. 2010;39(3-4):214-226
8.
Núñez E, Steyerberg EW,
Núñez J. Estrategias para la elaboración de modelos estadísticos de regresión. Rev Esp Cardiol.
2011;64(6):501–507.
9.
Royston P, Moons KG, Altman DG, Vergouwe Y. Prognosis and prognostic research: Developing a prognostic model. BMJ. 2009;338:b604.
10.
Steyerberg EW. Clinical prediction
models: a practical approach to development, validation, and updating. New
York: Springer; 2009.
11.
Silva AycaguerLC, Alonso Galbán P. Explicación del tamaño muestral empleado: una exigencia irracional de las revistas biomédicas. Gac Sanit. 2013;27(1):53–57.
12.
Jiménez RE, Vázquez J, Fariñas H. Construcción y
validación de un índice de gravedad de la enfermedad para pacientes
hospitalizados en áreas clínicas. Gac Sanit [Internet]. 1997 [citado 24 Feb 2009]; 11:122-30.
Disponible en: http://www.elsevier.es/es/revistas/gaceta-sanitaria-138/construccion-validacion-un-indice-gravedad-pacientes-hospitalizados-13141136-articulo-1997.
13.
Rodríguez-Escudero
JP, López-Jiménez F, Trejo-Gutiérrez JF. Cardiología “basada en la evidencia”:
aplicaciones prácticas de la epidemiología. IV. Modelos de predicción de riesgo
cardiovascular. Arch Cardiol Mex. 2012;82(1):66-72.
14.
D’Agostino RB, Sr., Vasan RS, Pencina MJ, et al. General cardiovascular risk
profile for use in primary care: the Framingham Heart Study. Circulation. 2008;117:743-753.
15.
Moriyama IM. Problems in the measurement of health
status. En: Sheldon EB, Moore W. eds. Indicators of social change: concepts and
measurements. New York: Rusell Sage fundation. 1968: 573-99.
16.
Steyerberg EW, Vickers AJ, Cook NR,Gerds T, Gonen M, Obuchowski N, et al. Assessing the Performance
of Prediction Models A Framework for
Traditional and Novel Measures. Epidemiology. 2010;21(1):128–138.
17.
Dent TH. Predicting the risk of coronary heart disease
I. The useof conventional risk markers.
Atherosclerosis. 2010;213:345-351.
18.
Pencina MJ, D’Agostino RB, Sr., et al. Predicting the 30-year riskof cardiovascular
disease: the Framingham Heart Study. Circulation. 2009; 119:3078-3084.
19.
Yeboah J, McClelland R, Polonsky T, Burke GL, Sibley CT, O’Leary D Comparison of novel risk markers for
improvement in cardiovascular risk assessment in intermediate-risk individuals. JAMA. 2012;308(8):788-795.
20.
Royo-Bordonada MA, Lobos Bejarano JM, Villar Álvarez F, Sans S,
Pérez A, Pedro-Botet J, et al. Comentarios
del comité español interdisciplinario de prevención cardiovascular (CEIPC) a
las guías europeas de prevención cardiovascular 2012. Rev Esp Salud Pública. 2013;
87:103-120.
21.
Ledesma
R, Molina Ibañez G, Valero Mora P. Análisis de consistencia
interna mediante Alfa de Cronbach: un programa basado
en gráficos dinámicos. Psico-USF. 2002.7(2):143-152.
22.
García
Cadena CH. La medición en las ciencias sociales y la psicología, en estadística
con SPSS y metodología de la investigación de René Landeros Hernández y Mónica
T González Ramírez. México, Trillas (comp). 2006.
23.
Tamargo Barbeito TO, Jiménez Paneque RE, Álvarez Rodríguez JM, Terry
Villa O. Utilidad del Índice de Gravedad de Servicios Clínicos del Hospital
Hermanos Ameijeiras. Rev Cub de Salud Pública. 2013; 39(1)4-18.
24.
Kooter AJ, Kostense PJ, Groenewold J, et al. Integrating information from
novel risk factors with calculated risks: the criticalimpact of risk factor prevalence. Circulation. 2011;124:741-745.
25.
Peña-Sánchez
JN, Delgado A, Lucena-Muñoz JJ, Morales-Asencio JM. Adaptación y validación al español del cuestionario 4cornersat para la
medida de la satisfacción profesional del personal médico de atención
especializada. Rev Esp Salud Pública. 2013; 87:181-189.
26.
Pepe MS. Problems With Risk Reclassification Methods for Evaluating Prediction
Models. Am J Epidemiol. 2011;173(11):1327–1335.
27.
Vasan RS. Commentary: C-reactive
protein and risk prediction-moving beyond associations to assessing predictive utilityandclinical usefulness. Int J Epidemiol. 2009;38:231-234.
28.
Cook NR, Ridker PM. Advances
in measuring the effect of individual predictors of cardiovascular risk: the
role of reclassification measures. Ann InternMed. 2009;150:795–802.
29.
Pencina MJ, D’Agostino RB, Larson MG, Massaro JM, Vasan RS. Predicting the 30-Year Risk of Cardiovascular Disease.
The Framingham Heart Study. Circulation. 2009;119:3078-84.
30.
Masson W, Siniawski D, Krauss J, Cagide A. Aplicabilidad clínica de la función de Framingham a 30 años. Utilidad en la estratificación del
riesgo cardiovascular y en el diagnóstico de placa aterosclerótica carotídea. Rev Esp Cardiol. 2011;64(4):305-11.
31.
Marrugat J, Vila J, Baena- Díez JM, Grau M, Sala J, Ramos
R, et al. Validez relativa de la estimación del riesgo cardiovascular a 10 años
en una cohorte poblacional del estudio
REGICOR. Rev Esp Cardiol. 2011;64:385-94.
32.
Hlatky MA, Greenland P, Arnett
DK, Ballantyne CM, Criqui MH, Elkind MS, et al. Criteria for evaluation of
novel markers of cardiovascular risk: as scientific statement from the American
Heart Association. Circulation. 2009;119:2408–16.
33.
Agüero F, Dégano IR, Subirana I, Grau M, Zamora A, Sala J, et al. Impact of a Partial Smoke-
Free Legislation on Myocardial Infarction Incidence, Mortality and Case
Fatality in a Population-Based Registry: The REGICOR Study. PLoSOne. 2013;8:e53722.
34.
Terrasa S, Buela G, Guenzelovich T, Sigal T,
Vicente Lago I, Rubinstein F. Bio-marcadores en la
predicción del riesgo cardiovascular: ¿nuevos factores de riesgo? Evid Act Pract Ambul. 2011;14 (1):12-17.
35.
Buitrago
F, Cañón-Barroso L, Díaz-Herrera N, Cruces-Muro E, Escobar-Fernández M,
Serrano-Arias JM. Comparación de las tablas REGICOR y SCORE para la clasificación
del riesgo cardiovascular y la identificación de pacientes candidatos a
tratamiento hipolipemiante o antihipertensivo. Rev Esp Cardiol [Internet]. 2007 [citado 28 Feb 2009]; 60:139-47. Disponible en: http://www.revespcardiol.org/es/comparacion-las-tablas-regicor-score/articulo/13099460/.
36.
Steyerberg EW, Vickers AJ, Cook NR, GerdsT, Gonen M, Obuchowski N, et al. Assessing the performance of
prediction models. A Framework for traditional and novel measures.
Epidemiology. 2010;21:128–38.
37.
Rubin DB. Propensity Score Methods. Am J Ophtalmolgy.
2010;149:7–9.
38.
Swaen E, van Amelsvoort M. A weight of evidence approach to causal inference.
J Clin Epidemiol. 2009;62:270-7.
39.
Ukoumunne OC, Williamson E, Forbes
AB, Gulliford MC, Carlin JB. Confounderadjustedestimates of the risk difference using propensity score-based weighting. Statist Med.
2010;29:3126-36.
40.
Bacallao Gallestey J. Enfoques modernos del sesgo y la causalidad en
la investigación epidemiológica. Rev Cubana de Salud
Pública. 2012; 38(5):686-701.
Recibido: 4 de marzo de
2014.
Aprobado: 27 de marzo de
2014.