Señor editor:
Las investigaciones clínicas reportadas en esta revista emplean el marco estándar de las estadísticas frecuentistas basado en las hipótesis de significación (p < 0.05). Este método conduce a una dicotomización de los resultados como «significativos» o «no significativos», que puede ser cuestionable;1 por lo tanto, se recomienda contrastar las hipótesis estadísticas.
Esto es posible mediante el uso del enfoque bayesiano, como una forma mejorada de extraer conclusiones estadísticas a partir de datos clínicos dado que facilita la respuesta a la pregunta: ¿cuál es la probabilidad de que el efecto sea concluyente según los datos?, que brinda una mayor validez a las conclusiones significativas.
Uno de los métodos más conocidos es el factor Bayes (FB), que estima la probabilidad de una hipótesis en relación con la otra, según la muestra de estudio (hipótesis nula vs hipótesis alterna).2 Esto favorece la estimación del peso cuantitativo de la evidencia (10 veces el valor del logaritmo decimal del factor Bayes),3 donde valores mayores a 20 son óptimos para la toma de decisiones clínicas de hallazgos significativos.
El factor Bayes permite validar la credibilidad práctica de hallazgos significativos basados en diversas pruebas estadísticas como t de Student, razón de momios (OR), Z test, entre otras,2,4 así como en las mediciones diagnósticas como el área bajo la curva ROC (AUCROC), debido a que tales estimaciones son convertibles a un tamaño de efecto (TE; por ejemplo, razón de momios (OR) o coeficiente r)5 para el uso del factor Bayes mediante una calculadora online como refiere Ramos-Vera.2
Otro modelo bayesiano de interés es la prueba A/B bayesiana para contrastar dos eventos clínicos similares, considerando la asignación de distribuciones previas y el control de tales datos muestrales, según la escala logarítmica de razón de probabilidades (logOR<0, logOR>0),4,6 más idónea para la evaluación simultánea con una distribución normal.
El contraste de variación entre ambos grupos proporcionales se representa mediante el factor Bayes; esto es útil para diversos estudios que incluyan participantes con y sin el evento clínico de interés porque permite evaluar, por ejemplo, las tasas de comorbilidad, ingresos, medicación o mortalidad por COVID-19.4,5 Esta favorece una mayor precisión de las tasas de diferencia en datos a nivel nacional e internacional, donde se reporten probabilidades más realistas mediante la trasformación del tamaño del efecto bayesiano obtenido: OR a probabilidad = OR/(OR+1) y sus respectivos intervalos. Tales estimaciones permiten determinar cuán probable es realmente que los participantes del desenlace clínico de interés presenten tal ocurrencia. La aplicación de este método bayesiano es una alternativa para evaluar hipótesis comparativas de investigaciones con datos binarios, siendo idóneo para estudios de casos y controles. Esto ha sido recomendado por el grupo de Neurología Bayesiana de Texas.5
Para esta carta se consideraron los datos reportados de una investigación publicados en esta revista,6 con la finalidad de demostrar un ejemplo del test A/B bayesiano, que incluyó a una muestra de 445 recién nacidos. El estudio mostró diferencias significativas en variables neonatales entre dos grupos:7 recién nacidos alimentados exclusivamente con leche humana (log odd ratios < 0) y los que se alimentan con leche humana y agua con azúcar (log odd ratios > 0). Se busca determinar la incidencia a favor de los grupos de mayor frecuencia dado los desenlaces clínicos de letargo, irritabilidad, sequedad de las mucosas e hipertermia. Cuadro 1
Para leer la información completa, por favor descargue el archivo PDF.