Edmund H Wilkes. Una guía práctica de estadística bayesiana en el laboratorio clínico. ADLM- Oxford Academic- Clin Chem, 2022; 68 (7): 893-905. Department of Clinical Biochemistry, North West London Pathology, Imperial College Healthcare NHS Trust, Charing Cross Hospital, London, UK.
Resumen
Los análisis estadísticos constituyen una parte fundamental de la inferencia causal en las ciencias experimentales. El paradigma estadístico más comúnmente enseñado a los estudiantes de ciencias en todo el mundo es el frecuentismo, con especial énfasis en la prueba de significación de la hipótesis nula, impulsada por el trabajo de Neyman y Pearson a principios del siglo XX. Este paradigma suele ser elogiado como el método más objetivo y sigue siendo habitual en las revistas científicas. A pesar de su uso generalizado, e incluso de ser un requisito para la publicación en algunas revistas, este paradigma ha recibido críticas sustanciales en las últimas décadas, y su impacto en la publicación científica ha sido objeto de un análisis más profundo en respuesta a la crisis de replicación en las ciencias psicológicas y médicas. Se ha planteado que el creciente uso del paradigma estadístico bayesiano, más accesible gracias a los avances tecnológicos de las últimas décadas, puede desempeñar un papel importante para lograr que la investigación y la inferencia estadística sean más sólidas, transparentes y reproducibles. Estos métodos pueden tener una curva de aprendizaje pronunciada, por lo que este artículo pretende introducir a quienes trabajan en laboratorios clínicos al paradigma bayesiano del análisis estadístico y proporciona ejemplos prácticos del análisis bayesiano de datos que se encuentran habitualmente en la medicina de laboratorio, utilizando herramientas de código abierto y de libre acceso.
Introducción
El Principio Antrópico establece que las observaciones que hacemos sobre el universo están limitadas por el hecho de que existimos y somos capaces de hacerlas. Una interpretación de esto es que las observaciones que hacemos sobre el valor de ciertos parámetros del universo están limitadas dentro de un rango determinado y, por lo tanto, los valores extremos son improbables.
Este principio puede extenderse al campo del análisis estadístico para afirmar que los problemas de análisis de datos generalmente se dividen en tres categorías principales: (a) el efecto es tan grande que no se requiere modelado estadístico (la prueba de trauma interocular); (b) el efecto es tan pequeño y/o está tan confundido por el ruido que ningún modelado estadístico será útil; o (c) el efecto está confundido por el ruido, pero la señal puede recuperarse con un análisis estadístico apropiado.
Claramente, entonces, el análisis estadístico es importante y tiene un papel clave en nuestra capacidad para hacer inferencias sobre el mundo que nos rodea y los fenómenos que observamos en él. Esto es particularmente cierto cuando el progreso científico avanza mediante pequeños avances incrementales, como los de las ciencias médicas.
En cuanto al análisis estadístico, existen dos escuelas de pensamiento predominantes: i) el Bayesianismo (que toma su nombre del filósofo, matemático y teólogo inglés Thomas Bayes) y ii) el Frecuentismo. La distinción y las diferencias entre ambas siguen siendo objeto de amplio debate, y de hecho, los dos enfoques no siempre son mutuamente excluyentes; sin embargo, la escuela Frecuentista es la que se enseña con mayor frecuencia en escuelas y universidades del mundo occidental y sigue siendo el paradigma más utilizado en la literatura científica.
El Paradigma Frecuentista, revisado en Colling y Szűcz, trata las probabilidades como la frecuencia de un evento que ocurriría a partir de una serie de ensayos o muestras aleatorias de una población dada. Este paradigma se implementa con mayor frecuencia en forma de Prueba de Significancia de Hipótesis Nula (NHST), cuya premisa central es calcular la probabilidad de haber obtenido un estadístico de prueba particular a partir de los datos o un valor más extremo, dado que se asume que una hipótesis o modelo estadístico particular es verdadero (es decir, la hipótesis nula, Ho). Esto puede considerarse como la probabilidad condicional, P (datos|hipótesis ) (la probabilidad de los datos dada una hipótesis) y se conoce comúnmente como valor p . Podemos entonces, según el trabajo de Neyman y Pearson de principios del siglo XX, imponer un umbral arbitrario sobre lo que se considera un hallazgo "significativo".
En términos generales, todas las inferencias realizadas en las NHST clásicas se basan únicamente en los datos, y el conocimiento previo de un problema no se incorpora al análisis en ningún momento. Por ejemplo, en un análisis de regresión estándar con el paradigma frecuentista, los parámetros calculados podrían tener a priori un valor entre −∞ e ∞, y el analista decidirá qué valores son más probables basándose únicamente en los datos. Debido a la falta de dependencia de información previa, los métodos frecuentistas se han considerado la forma más “objetiva” de análisis estadístico.
Sin embargo, en la mayoría de los contextos experimentales, contamos con al menos cierto grado de información previa sobre el problema, aunque la fuerza (o incertidumbre) de nuestras creencias previas varía de un análisis a otro. Además, en la mayoría de los contextos experimentales, se puede argumentar que nuestro interés más intuitivo radica en calcular la probabilidad de una hipótesis dados los datos recopilados, P (hipótesis| datos), una tarea imposible dentro del paradigma frecuentista..........
(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el 25 de Agosto
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos.
Ciudad de Buenos Aires. R. Argentina
