medigraphic.com
ISSN 1028-4818 (Digital)

2014, Número 2

<< Anterior Siguiente >>

Mul Med 2014; 18 (2)


Índices de predicción, algunos aspectos metodológicos para su construcción y validación

Álvarez AA, Maceo GLR, Frómeta GA

Idioma: Español
Referencias bibliográficas: 40
Paginas:
Archivo PDF: 204.64 Kb.


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.


REFERENCIAS (EN ESTE ARTÍCULO)

  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. VERSION ON-LINE: ISSN 1028-4818 Multimed. Revista Médica. Granma RPNS-1853

  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. VERSION ON-LINE: ISSN 1028-4818 Multimed. Revista Médica. Granma RPNS-1853

  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. VERSION ON-LINE: ISSN 1028-4818 Multimed. Revista Médica. Granma RPNS-1853

  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 VERSION ON-LINE: ISSN 1028-4818 Multimed. Revista Médica. Granma RPNS-1853 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.




2020     |     www.medigraphic.com