Ir al contenido principal

Estudios transversales


De acuerdo a la secuencia temporal los estudios se pueden clasificar de acuerdo a la siguiente figura:



Con base en lo anterior, se consideran transversales los estudios en los que los datos de cada sujeto representan únicamente un momento del tiempo. Estos datos pueden corresponder a la presencia, ausencia o diferentes grados de una característica o enfermedad, o bien examinar la relación entre diferentes variables en una población definida en un momento de tiempo determinado.

Dado que las variables se miden de forma simultánea, no puede establecerse la existencia de una secuencia temporal entre ellas y, por tanto, estos diseños no permiten abordar el estudio de una presunta relación causa-efecto. Así pues, los estudios transversales son por definición descriptivos.

Los principales aspectos en los que se enfocan los estudios descriptivos transversales son:
  • Estudios de prevalencia 
  • Series de casos transversales 
  • Evaluación de pruebas diagnósticas 
  • Estudios de concordancia
  • Estudios de asociación cruzada 

Ejemplos de estudios transversales:

Estudios de prevalencia:

Supongamos que se selecciona una muestra aleatoria de una población, y en todos los sujetos se miden las cifras de presión arterial (PA) con la finalidad de conocer cuántos tienen hipertensión arterial (HTA). Se trata de un estudio descriptivo, observacional y transversal, que estima la prevalencia de HTA (estudio de prevalencia).

Series de casos transversales: 

Un investigador realiza el informe y descripción detallada de todos los casos similares encontrados en un tiempo determinado. En realidad, lo que se está haciendo es el reporte de una determinado número de casos encontrados en un tiempo específico. Esto corresponde a una serie de casos transversales.

Evaluación de pruebas diagnósticas:

Un estudio desea evaluar la utilidad de un marcador biológico en el diagnóstico de un determinado tipo de cáncer. Para ello se selecciona una muestra de pacientes con dicho tipo de cáncer y otra de sujetos sin él, y se miden en todos ellos los valores del marcador biológico, evaluando si es útil para diferenciar ambos grupos. Se trata de un diseño descriptivo (no evalúa una presunta relación causal), transversal (ya que la identificación de la existencia del cáncer y la medición del marcador biológico se refieren al mismo tiempo) y observacional (no se controla el factor de estudio).

Estudios de concordancia:

Un investigador proporciona 10 radiografías a dos diferentes radiólogos, con la finalidad de determinar si observan focos de condensación. Las radiografías son las mismas para ambos observadores, y lo que se intenta determinar es el grado de concordancia diagnóstica que tienen ambos radiólogos. En este tipo de estudios es habitual que se utilice el coeficiente kappa para determinar el grado de concordancia eliminando el azar.

En el siguiente video puedes encontrar mayor información sobre este tema.





Comentarios

Entradas más populares de este blog

Eventos y espacio muestral Basado en el Libro de William Mendenhall Obtenemos datos al observar eventos no controlados en la naturaleza o en situaciones controladas en el laboratorio. El término experimento se utiliza para describir cualquiera de los dos métodos de recolección de datos. Definición: Un experimento es el proceso mediante el cual se obtiene una observación (o medición). La observación o medición generada por un experimento puede o no producir un valor numérico. A continuación veamos algunos ejemplos de experimentos: • Registrar la calificación de un examen • Medir la cantidad de lluvia diaria • Entrevistar a un médico para obtener su opinión sobre una guía de práctica clínica Ejemplo Experimento : Lanza un dado y observa el número que aparece en la cara superior. Haz una lista de los eventos sencillos del experimento. Solución : Cuando el dado se lanza una vez, hay seis posibles resultados. Los eventos sencillos se presentan a continuación: Evento

Operacionalización de variables y hoja para la captura de datos

Desde el momento mismo en que planeamos realizar un estudio, es indispensable que consideremos cómo será la hoja en la que vamos a capturar nuestros datos. Esto implica que debemos conocer con claridad cuáles son la variables que se van a medir en el estudio y la manera en que se llevarán a cabo las mediciones. La operacionalización de las variables corresponde a la descripción haremos de las variables desde tres aspectos fundamentales: Clasificación de las variables según su escala de medición Clasificación de las variables según su contenido , y Clasificación de las variables según sus relaciones Adicionalmente, en la operacionalización de las variables se deben establecer: a) cuál es el objetivo al medir la variable , b) cómo se va a medir , y c) la codificación que lleva implícita cada variable. Para ayudar a entender estos aspectos, utilizaré un ejemplo que plantea Martínez González (Bioestadística amigable 3a edición, 2014): Supongamos que se desea evaluar la efect
Cálculo de probabilidades de eventos sencillos Basado en el libro de William Mendenhall La probabilidad de un evento A es una medida de nuestra creencia de que el evento A ocurrirá. Una manera práctica de interpretar esta medida es con el concepto de frecuencia relativa. Recuerda que si un experimento se realiza n veces, entonces la frecuencia relativa de un suceso particular, por ejemplo A , es donde la frecuencia es el número de veces que ocurrió el evento A . Si hacemos que el número n de repeticiones del experimento se haga cada vez más grande en última instancia se genera toda la población. En ésta, la frecuencia relativa del evento A se define como la probabilidad del evento A ; esto es, Como Pr(A) se comporta como una frecuencia relativa, Pr(A) debe ser una proporción que se encuentre entre 0 y 1; Pr(A) = 0 si el evento A nunca ocurre, y Pr(A) = 1 si el evento A siempre ocurre. Cuanto más cercano sea Pr(A) a 1, es más probable es que A ocurra. Por ejemplo