Fuentes SLE

Idioma: Español
Referencias bibliográficas: 25
Paginas: 36-42
Archivo PDF: 983.36 Kb.

RESUMEN

La práctica de categorizar covariables continuas es común en investigaciones médicas y epidemiológicas por razones tanto clínicas como estadísticas. El siguiente trabajo se centra solo en la dicotomía de una covariable continua, por ser desde el punto de vista biológico, uno de los objetivos más deseados, sin embargo, pueden existir más de un punto de corte para el recorrido de una variable continua. Como metodología para la obtención de puntos de corte candidatos se proponen 1) Representación gráfica, 2) el cálculo de cuantiles, 3) al determinación de Ji-Cuadrado y el Odd Ratio máximo en tabla de contingencia 2x2 y 4) la regresión logística. Luego de determinar los puntos de corte candidatos para la selección de punto de corte óptimo se propone el cálculo de estadígrafos como la Sensibilidad, Especificidad e Índice de Youden, así como también el uso de la Curva ROC y el área bajo la curva (ABC) como índice de exactitud. La Sensibilidad, Especificidad y ABC son estimadores muestrales de parámetros poblacionales; por consiguiente, cada uno tiene asociado un error de estimación, que hace necesario reportar sus respectivos intervalos de confianza. Dado el uso generalizado y frecuente de la dicotomización de una covariable continua en las investigaciones de bioestadística y epidemiología, este trabajo ofrece una metodología práctica para la obtención de punto de corte óptimo.

REFERENCIAS (EN ESTE ARTÍCULO)

1. ltman DG. Categorising continuous variables. Br J Cancer. 1991;64:975.1.

2. Altman DG, Lausen B, Sauerbrei W, Schumacher M. Dangers of using “optimal”cutpoints in the evaluation of prognostic 2. factors. Journal of the National Cancer Institute. 1994;86:829-835.

3. Altman, D. G. Categorizing continuous variables. In Armitage, P. and Colton, T. (eds). Encyclopedia of Biostatistics. 3. Chichester: John Wiley;1998. pp.563 - 567.

4. Abdolell M, LeBlanc M, Stephens D, et al. Binary partitioning for continuous longitudinal data: categorizing a prognostic 4. variable. Statist Med. 2002; 21:3395-3409.

5. Brent A. Williams, Jayawant N. Mandrekar, Sumithra J. Mandrekar, Stephen S. Cha, Alfred F. Furth. Finding Optimal Cut5. points for Continuous Covariates with Binary and Time-to-Event Outcomes. Technical Report Series #79. June 2006.

6. Contal, C., O’Quigley, J. An application of changepoint methods in studying the effect of age on survival in breast cancer. 6. Computational Statistics and Data Analysis. 1999;30:253 - 270.

7. Faraggi D, Simon R. A simulation study of cross-validation for selecting an optimal cutpoint in univariate survival analysis. 7. Statist Med. 1996;15:2203-2213.

8. Mazumdar M, Glassman JR. Categorizing a prognostic variable: review of methods, code for easy implementation and ap8. plications to decision-making about cancer treatments. Statistics in Medicine. 2000;19:113-132.

9. Mazumdar M, Smith A, Bacik J. Methods for categorizing a prognostic variable in a multivariable setting. Statistics in 9. Medicine. 2003;22:559-571.

10. Baneshi MR, Talei AR. Dichotomisation of Continuous Data: Review of Methods, Advantages, and Disadvantages. Iran J 10. Cancer Prev. 2011;4(1):26-32.

11. Luis M. Molinero. Elección de los puntos de corte para convertir una variable cuantitativa en cualitativa. URL disponible 11. en: www.seh−lelha.org/stat1.htm.

12. Magder LS, Fix AD. Optimal choice of a cut point for a quantitative diagnostic test performed for research purposes. J Clin 12. Epidemiol. 2003;56:956-962.

13. Mandrekar JN , Mandrekar SJ , Cha SS . Cutpoint determination methods in survival analysis using SAS®. Proceedings of 13. the 28th SAS Users Group International Conference (SUGI). 2003:261-28.

14. Luis M. Molinero. ¿Y si los datos no siguen una distribución normal?...Bondad de ajuste a una normal. Transformaciones. 14. Pruebas no paramétricas. URL disponible en: www.seh−lelha.org/stat1.htm.

15. Azzimonti Renzo JC. Bioestadística para Bioquímicos. Tema 4. Estadígrafos. URL disponible en: 15. http://es.scribd.com/doc/2904463/Bioestadistica-Aplicada-a-Bioquimica-y-Farmacia.

16. Bioestadística amigable. Miguel A. Martínez-González, Almudena Sánchez-Villegas. Ediciones Díaz de Santos. ISBN: 84-16. 7978-791-0. Depósito legal: M.40.343-2006.

17. Miller R, Siegmund D. Maximally selected chi square statistics. Biometrics. 1982;38:1011-1016.17.

18. Cumsille F, Bangdiwala SI, Sen PK, et al. Effect of dichotomizing a continuous variable on the model structure in multiple 18. linear regression models. Commun Statist – Theory Meth. 2000;29:643-654.

19. Liquet B, Commenges D. Correction of the p-value after multiple coding of an explanatory variable in logistic regression. 19. Statistics in Medicine. 2001;20:2815-2826.

20. Harrell, F.E. Jr. Regression modelling strategies with applications to linear models, logistic regression, and survival analy20. sis. New York: Springer-Verlag; 2001.

21. Hollander N, Sauerbrei W, Schumacher M. Confidence intervals for the effect of a prognostic factor after selection of an 21. `optimal’ cutpoint. Statistics in Medicine. 2004;23:170-713.

22. Hanley J A, McNeil B J. A method of comparing the areas under receiver operating characteristic curves derived from the 22. same cases. Radiology. 1983; 148:839-43.

23. DeLong E R, DeLong D M, Clarke-Pearson D L. Comparing the areas under two or more correlated receiver operating 23. characteristic curves: a nonparametric approach. Biometrics. 1988;44:837-45.

24. Jaime Cerda y Lorena Cifuentes. Uso de curvas ROC en investigación clínica. Aspectos teórico-prácticos. Rev Chil Infect. 24. 2012;29(2):138-141.

25. Emma Domínguez Alonso y Roberto González Suárez. Análisis de las curvas receiver-operating characteristic: un método 25. útil para evaluar procederes diagnósticos. Rev Cubana Endocrinol. 2002;13(2):173-80.