González FV, Alegret RM, González FY, Moreno AA

Idioma: Español
Referencias bibliográficas: 20
Paginas: 218-224
Archivo PDF: 169.49 Kb.

RESUMEN

Introducción: los modelos predictivos sirven de apoyo a la toma de decisiones en salud pública. Como parte del desarrollo de estos modelos, se debe contar con alguna forma de validación interna que permita cuantificar el optimismo en su desempeño predictivo. Para esta validación, se utiliza el mismo grupo de estudio empleado para su desarrollo y los resultados son reproducibles a la población subyacente.
Objetivo: validar un índice de necesidad de tratamiento ortodóntico, creado mediante una metodología que utiliza, para construir el modelo multivariante, los valores del estadígrafo V de Cramer de cada predictor.
Métodos: el modelo creado con la muestra de entrenamiento, se aplicó a 181 estudiantes de una escuela primaria de Santa Clara y se calcularon medidas del desempeño discriminatorio; estas fueron: área bajo la curva Receiver Operating Characteristic y parámetros calculados a partir de las matrices de confusión. Fueron comparados los modelos obtenidos mediante el nuevo método y la regresión logística.
Resultados: el nuevo modelo superó en todos los parámetros calculados a la regresión logística, con valores de sensibilidad, especificidad y validez de 79,3 %, 84,3 % y 81,2 %, respectivamente. El área bajo la curva fue de 0,886.
Conclusiones: estos resultados avalan el índice obtenido mediante V de Cramer, para su utilización en la población diana subyacente. La facilidad de cálculo y comprensión de esta metodología son argumentos a favor de su uso por decisores del sector en la atención primaria de salud.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Pfeiffer RM. Extensions of criteria for evaluating risk prediction models for public health applications. Biostatistics. 2013;14(2):366-81.

2. Collins G, Groot JA, Dutton S, Omar O, Shanyinde M, Tajar M, et al. External validation of multivariable prediction models: a systematic review of methodological conduct and reporting. BMC Med Res Methodol. 2014;14(40):1-11.

3. Min Oh SM, Stefani K, Chang Kim H. Development and Application of Chronic Disease Risk Prediction Models. Yonsei Med J. 2014 Jul.;55(4):853-60.

4. Steyerberg EW. Clinical prediction models: A practical approach to development, validation, and updating. New York: Springer; 2009.

5. Collins GS, Reitsma JB, Altman DG, Moons K. GM. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): The TRIPOD statement. Ann Intern Med. 2015;162(1): 55-64.

6. Moons K. GM, Pascal Kengne A, Woodward M, Royston P, Vergouwe Y, Altman DG, et al. Risk prediction models: I. Development, internal validation, and assessing the incremental value of a new (bio)marker. Heart. 2012;98:683- 90.

7. Steyerberg EW, Vergouwe Y. Towards better clinical prediction models: seven steps for development and an ABCD for validation. Eur Heart J. 2014;35:1925-31.

8. González Ferrer V, Alegret Rodríguez M, González Ferrer Y, Vargas Yzquierdo J. Nueva estrategia metodológica para desarrollar índices predictivos en la atención primaria de salud y su impacto en la especialidad de Cardiología. CorSalud [internet]. 2015 ene.-mar. [citado 10 jul. 2015];7(1):[aprox. 1 p.]. Disponible en: http://www.corsalud.sld.cu/sumario/2015/v7n1a15/cartasv7n1.html#indicepredictivo

9. Moreno Arias A. Validación de índice de necesidad y prioridad de tratamiento ortodóntico [tesis]. Villa Clara: Universidad de Ciencias Médicas; 2014.

10. Cons N, Jenny J, Kohout F. DAI: The Dental Aesthetic Index. Iowa City, Iowa: University of Iowa, College of Dentistry; 1986.

11. Águila FJ. Manual de Ortodoncia: teoría y práctica. Madrid: Editorial Aguiram; 1999.

12. Altman DG, Vergouwe Y, Royston P, Moons GM. Prognosis and prognostic research: validating a prognostic model. BMJ. 2009;338:b605.

13. Altman DG, Royston P. What do we mean by validating a prognostic model?. Stat Med; 2000;19:453-73.

14. Padilla Centeno ML. Propuesta de un índice de maloclusiones y priorización de tratamiento ortodóntico [tesis]. Villa Clara: Universidad de Ciencias Médicas; 2012.

15. Steyerberg EW. Prognostic modeling for clinical decision making. Theory and applications. Utrecht (The Netherlands): Elinkwijk BV; 1996.

16. 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.

17. 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 Méx [internet]. 2012 ene.-mar. [citado 10 ago. 2014];82(1):[aprox. 5 p.]. Disponible en: http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405- 99402012000100011&lng=es

18. Ioannidis JP, Khoury MJ. Improving validation practices in “Omics” research. Science. 2011;334:1230-2.

19. Ioannidis JP, Greenland S, Hlatky MA, Khoury MJ, Macleod MR, Moher D, et al. Increasing value and reducing waste in research design, conduct, and analysis. Lancet. 2014;383:166-75.

20. Ioannidis JP. Scientific inbreeding and same-team replication: type D personality as an example. J Psychosom Res. 2012;73:408-10.