¿Cuáles son los intervalos de confianza y valores p?

¿Cuáles son los intervalos de confianza y valores p?

1. L Aconfidence intervalo calculado para ameasure del efecto del tratamiento se muestra el rango dentro del cual el verdadero efecto de tratamiento es probable que mentir (sujeto toanumber de hipótesis).
2. L AP-valor es calculado para determinar si es probable que los resultados del ensayo han producido simplemente por casualidad (suponiendo que no hay una diferencia real entre newtreatment y viejos, y suponiendo, por supuesto, que el estudio estaba bien realizada). 
3. L los intervalos de confianza son preferibles a los valores-p, como nos dicen el rango de tamaños del efecto posible compatible con los datos. 
4. L p-valores simplemente proporcionan un corte más allá de lo que afirmamos que los hallazgos son "tatistically significativa" (por convención, es p<0.05).
5. L Aconfidence intervalo que abarca el valor de ninguna diferencia entre treatmentsindicates que el tratamiento bajo investigación no es significativamente diferente del control. 
6. Intervalos de confianza l facilitar la interpretación de datos clínicos, poniendo límites superior e inferior en el volumen probable de un verdadero efecto. 
7. L El sesgo debe ser assessedbefore intervalos de confianza pueden ser interpretados. Incluso las grandes muestras y los intervalos de confianza muy estrecha puede inducir a error si theycome desde estudios sesgados. 
8. L Sin importancia no significa "sin efecto". Estudios pequeños a menudo reportará sin importancia incluso cuando existen importantes, efectos reales que un gran estudio se han detectado. 
9. L La significación estadística no significa necesariamente que el efecto es real: por pura casualidad en aproximadamente uno de cada 20 hallazgos significativos serán espurios.
10. L estadísticamente significativo no significa necesariamente clínicamente importante. Es el tamaño del efecto que determina la importancia, no la presencia de significación estadística.

¿Cuáles son los intervalos de confianza y valores p?

La medición del tamaño del efecto ensayos clínicos apuntan a generar nuevos conocimientos sobre la eficacia (o no) de intervenciones sanitarias. Como todas las investigaciones clínicas, esto implica estimar un parámetro clave de interés, en este caso el tamaño del efecto. El tamaño del efecto puede medirse de diversas formas, tales como la reducción de riesgo relativo, la reducción del riesgo absoluto o el número necesario a tratar (NNT; Tabla 1). En relación measurestend para destacar los beneficios potenciales, mientras que measuresprovide absoluta en todas las categorías

Resumen.1 Por lo tanto, pueden ser apropiadas, sujetas a una interpretación correcta. Cualquiera que sea la medida utilizada, debe hacerse una evaluación de la fiabilidad o robustnessof los hallazgos. Los resultados del estudio proporcionan una estimación puntual del efecto, y esto plantea un dilema: son los resultados de esta muestra también tenderán a ser verdadera acerca de otros grupos similares de pacientes? Antes de que podamos responder a esta pregunta, hay dos cuestiones que deben ser abordadas. ¿Cualquier aparente beneficio del tratamiento surgen debido a la forma en que el estudio se ha realizado (bias), o podría surgir simplemente por casualidad?La breve nota a continuación describe brevemente la importancia de evaluar la tendencia, pero se centra más en la evaluación de la función de probabilidad.

Recuadro 1. Pruebas de hipótesis y la generación de los valores de p

La lógica de pruebas de hipótesis y p-valores es complicada. Supongamos que un nuevo tratamiento parece superar a la terapia estándar en un estudio de investigación. Estamos interesados en evaluar si este efecto es probable que sea real o puede ser simplemente una casualidad encontrar: p-valores nos ayudan a hacer esto.

Para calcular el valor de p, en primer lugar debemos asumir que realmente no hay ninguna diferencia real entre los dos tratamientos (esto se llama la hipótesis nula). A continuación, podemos calcular qué probabilidades tenemos que ver la diferencia que hemos observado por casualidad si nuestra suposición es true (es decir, si realmente no hay diferencia verdadera). Esta es la p-valor.

Así que el valor p es la probabilidad de que podríamos observar efectos tan grandes como los observados en el estudio si no había realmente ninguna diferencia entre los tratamientos. Si p es pequeño, los hallazgos no parecen haber surgido por casualidad y rechazamos la idea de que no hay ninguna diferencia entre los dos tratamientos (rechazamos la hipótesis nula). Si p es grande, la diferencia observada plausiblemente es una posibilidad de encontrar y no rechazamos la idea de que no hay ninguna diferencia entre los tratamientos. Tenga en cuenta que no debemos rechazar la idea, pero no lo aceptamos: nosotros somos simplemente no se puede decir de una manera u otra, hasta que otros factores han sido considerados.

Pero ¿qué entendemos por un 'pequeño' (un p-valor suficientemente pequeño para llevarnos a rechazar la idea de que no había realmente ninguna diferencia)? Por convención, valores de p inferiores a 0,05 se consideran 'small'. Es decir, si p es menor que 0.05 es menos de 1 en 20 posibilidades de que una diferencia tan grande como la que se observa en el estudio podría haber surgido por casualidad si no había realmente ninguna diferencia real. Con p-valores este pequeño (o menor) podemos decir que los resultados de la prueba son estadísticamente significativos (probablemente no han surgido por casualidad). Valores de p menores (es decir, p<0,01) a veces se denomina "altamente significativa" porque indican que la diferencia observada podría suceder en menos de una de cada cien veces si no había realmente ninguna diferencia real.

[pic 1]

Sesgo sesgo es un término que abarca cualquier resultado errorsthat sistemático de la forma en que el estudio fue diseñado, ejecutado o interpretado. Fallas comunes en los ensayos de tratamiento son: l la falta de (o el fracaso) de la asignación al azar, llevando a los grupos l desequilibrada pobre cegamiento, dando lugar a un trato injusto y evaluaciones parciales l un gran número de pacientes perdidos en el seguimiento. Evaluación en estas áreas es fundamental antes de que los resultados de cualquier ensayo puede evaluarse, y muchas guías útiles existen para ayudar en este proceso, como un artículo por Guyatt et aland libros por Sackett et aland por Crombie.2-5 Interpretación de los efectos del azar sólo es significativa cuando el sesgo se ha excluido como una explicación de cualquier diferencia observada.6,7

...