Estudios Epidemiológicos, Tipos de Diseño de Estudios - PDF

ESTUDIOS EPIDEMIOLÓGICOS, TIPOS DE DISENÕ DE ESTUDIOS 1) CONCEPTO Epidemiología es la ciencia que estudia la distribución y los determinantes del fenómeno salud-enfermedad en las poblaciones humanas. La comunidad sustituye al individuo. La epidemiología se ocupa de los dos as...

ESTUDIOS EPIDEMIOLÓGICOS, TIPOS DE DISENÕ DE ESTUDIOS 1) CONCEPTO Epidemiología es la ciencia que estudia la distribución y los determinantes del fenómeno salud-enfermedad en las poblaciones humanas. La comunidad sustituye al individuo. La epidemiología se ocupa de los dos aspectos fundamentales siguientes: → Estudiar la distribución de las enfermedades en relación con las variables lugar, tiempo y persona. Es lo que se denomina epidemiología descriptiva. → Buscar los factores que determinan la distribución encontrada e identificar las asociaciones causales. Es lo que hace la llamada epidemiología analítica. Las principales posibilidades de aplicación de la epidemiología son: → Establecer el diagnóstico de salud de una comunidad. → Conocer los factores causales de una enfermedad y las probabilidades de enfermar. → Evaluar la eficacia, eficiencia y efectividad de los procedimientos preventivos y terapéuticos de los servicios de salud.  2) CONCEPTOS RELACIONADOS Riesgo: Es la probabilidad de desarrollar una enfermedad por estar expuesto a ciertos factores. Causa: Es la condición que, sola o acompañada de otras condiciones, inicia o permite iniciar una secuencia de acontecimientos que producen un determinado efecto. Factor de riesgo: Variable endógena o exógena al individuo, controlable, que precede al comienzo de la enfermedad y que está asociada a un incremento de la probabilidad de aparición de la misma, y a la que se puede atribuir responsabilidad de la enfermedad. Como por ejemplo tabaco como factor de riesgo de cáncer de pulmón. Marcador de riesgo: Variable no controlable endógena individuo y cuya presencia anuncia a los individuos particularmente vulnerables. Como por ejemplo el sexo femenino como marca de riesgo de cáncer de mama. Indicador de riesgo: Variable sin relación causal con el problema, pero cuya presencia alerta precozmente sobre el padecimiento. Como por ejemplo manchas de Koplik como signo precursor de la aparición del sarampión o las imágenes termográficas. 3) TIPOS DE ESTUDIOS EPIDEMIOLÓGICOS 3.1) DESCRIPTIVOS : serie de casos, estudios ecológicos, estudios transversales Objetivos = describir las características y la frecuencia de un problema de salud, en función de las características de la persona, lugar y del tiempo de aparición del problema y su tendencia y servir de base para los estudios analíticos 3.1.1) Serie de casos clínicos Describen las características de un grupo de enfermos. Son estudios longitudinales ya que contienen información adquirida a lo largo del tiempo. Su ventaja principal es que permiten generar hipótesis, mientras su mayor inconveniente es que no presentan grupo control, por lo que cualquier Factor de Riesgo puede ser un hallazgo casual. Ejemplo, es así como se describió por primera vez el VIH. En este caso, se llegó a una asociación incorrecta, puesto que se asoció el VIH a población homosexual. 3.1.2) Estudios ecológicos Los conglomerados pueden ser constituidos por grupos poblacionales, comunidades, regiones o países. La característica principal de este tipo de estudios es que cuenta con información sobre la exposición o el evento para el conglomerado en su totalidad desconociendo la información a nivel individual. Son útiles cuando no se puede hacer mediciones de exposición individuales, como por ejemplo: contaminación del aire, ruidos, contaminación del agua. Los estudios ecológicos permiten estudiar grandes grupos de población en poco tiempo y con un coste relativamente bajo ya que, en general, utilizan estadísticas existentes recolectadas con otros fines. Ventajas Inconvenientes Permiten Son uno de los peores estudios en la escala de causalidad, deben describir ser considerados únicamente para sugerir hipótesis. diferencias en Los datos son promedios de poblaciones, se usan medidas poblaciones aproximadas de exposición y de enfermedad lo que limita el valor de que habrán de los hallazgos. ser estudiadas Ignora la variabilidad individual de los integrantes de los con más detalle conglomerados y que no es posible corregir las diferencias en posteriormente. otras variables que puedan estar también asociadas con la exposición y el evento en estudio. 3.1.3) Estudios transversales = de prevalencia La prevalencia es el número total de casos entre el total de la población. No hace distinción entre casos antiguos y nuevos y describe la situación en un número determinado de tiempo. Su valor es más alto a mayor incidencia y duración de la enfermedad. Cuidado, la incidencia es el número de nuevos casos sobre la población total. Son estudios descriptivos y transversales, ya que analizan la relación entre una enfermedad y algunas variables en el momento concreto del tiempo. Buscan hallar una posible relación entre un factor de riesgo y una enfermedad, que luego habrá de ser verificada por estudios analíticos. Características : es de corte o transversal ya que enfermedad y características se miden simultáneamente. Ventajas Inconvenientes No tienen problemas éticos, No es útil para estudiar enfermedades raras, ya duración mínima, su coste es bajo y que no permite ver el mecanismo de son de fácil reproducibilidad. Son producción de la enfermedad y no sirve para útiles para el estudio de comprobar una hipótesis previa de causalidad. enfermedades crónicas en la Es imposible conocer la secuencia temporal población. porque la información sobre el factor de riesgo y la enfermedad se recogen a la vez. 3.2) ANALITICOS : experimentales, cuasi-experimentales, observacionales Intentan establecer una relación de causalidad entre el factor de riesgo y la enfermedad.  3.2.1) Expérimentales Es el investigador el que asigna el factor de estudio, que fármaco, vacuna, campaña de educación, cuánto tiempo, qué dosis recibirá cada paciente. Además, aleatorización de la muestra de modo que los participantes son adscritos al azar a uno u otro grupo de estudio. Ventajas Limitaciones Son los que mejor valoran la utilidad de una Los problemas éticos son el intervención y aportan mayor evidencia y causal. principal inconveniente de este Permiten un gran control sobre cualquier efecto tipo de estudios. No es admisible que no sea el estudiado. exponer a unos sujetos a un factor Posibilitan el empleo de técnicas de de riesgo que presumiblemente es enmascaramiento. el causante de una enfermedad. Las técnicas de enmascaramiento pretenden evitar que las expectativas del paciente, del médico/investigador o del propio evaluador, influyan sobre el resultado observado. Las técnicas de enmascaramiento más comunes son: → El simple ciego, el paciente, pero no el investigador/médico, desconoce el grupo al que ha sido asignado, es decir, ignora cuál de los posibles tratamientos recibe → El doble ciego, investigador/médico y paciente desconocen el grupo de asignación de este último → Triple ciego, cuando también el análisis y evaluación de los datos se hace sin conocer la identidad de los grupos. 3.2.1.1) ENSAYO CLÍNICO ALEATORIO Es el estudio experimental más frecuente. La asignación aleatorizada del factor de estudio, fármaco o una intervención sanitaria, se hace sobre los individuos. Es el mejor para demostrar causalidad y la eficiencia de una actuación. Por ejemplo, la asignación aleatorizada de un antirretroviral o un placebo a un grupo de pacientes con VIH. 3.2.1.2) ESTUDIO DE CAMPO Es un estudio que valora la eficacia de una medida preventiva. En general estos estudios son más caros que los ensayos clínicos y requieren mayor número de individuos. Las principales diferencias entre los ensayos clínicos son: → Se hacen sobre individuos sanos. → Valoran la eficiencia de las medidas preventivas. Por ejemplo, la evolución de la eficiencia de una campaña de vacunación entre 10000 niños, de forma que 5000 reciben aleatoriamente una vacuna y otros 5000 un placebo 3.2.2) Cuasiexperimentales Se diferencian de los estudios experimentales puros en que no hay asignación al azar. 3.2.2.1) ENSAYO COMUNITARIO DE INTERVENCIÓN Es una variedad de ensayos de campo: → Se trabaja con individuos sanos → Valora la eficacia de medidas preventivas → No se aplica aleatorización individual Por ejemplo, campaña sanitaria de agua fluorada en una comunidad y de agua clorada en otra comparando la frecuencia de caries en los dos grupos. 3.2.2.2) ENSAYO ANTES DESPUÉS En este tipo de estudios, la medida que se pretende estudiar (fármaco, tratamiento,…) se administra a los individuos y se compara el resultado con la situación basal. Los estudios antes-después tienen la ventaja de que son más fáciles de hacer, pero poseen el inconveniente grave de que, al no disponer de grupo de control, los resultados son difíciles de interpretar. 3.2.2.3) ENSAYOS CONTROLADOS NO ALEATORIZADOS Estudio clínico en el que los pacientes no son asignados al azar a los distintos grupos de tratamiento. Los participantes pueden elegir el grupo al que quieren pertenecer o pueden ser asignados a los grupos por los investigadores. 3.2.3) Observacionales El investigador se limita a observar qué es lo que sucede en un grupo de individuos sin manipular el estudio. 3.2.3.1) ENSAYOS DE COHORTE Partiendo de un grupo de individuos expuestos al factor de riesgo (cohorte expuesta), y de otro conjunto comparable a todo pero cuyos individuos no están expuestos al factor de riesgo (cohorte no expuesta), se estudia la incidencia de la enfermedad en ambas cortes. Por ejemplo, sigue a un grupo de fumadores y a otros no fumadores a lo largo del tiempo, número de casos nuevos de cáncer de pulmón que aparecen en cada grupo de pacientes. → Son estudios longitudinales, de seguimiento. → Es prospectivo, excepto los estudios de cohortes históricas (ver a continuación). → Va de la causa al efecto  Ventajas Inconvenientes Es el mejor estudio para comprobar No es bueno para el estudio hipótesis previas de causalidad cuando, enfermedades raras por razones éticas, no es posible realizar un No es adecuado para el estudio de estudio experimental. enfermedades de largo período de Es el mejor para el estudio de la incubación. multiefectividad del factor de riesgo El coste es alto. (todos los efectos del factor de riesgo). No sirve para el estudio de la La posibilidad de sesgos es baja. multicausalidad de la enfermedad. Sirve al estudio de exposiciones raras. Es difícilmente reproducible. 3.2.3.2) ESTUDIOS DE COHORTES HISTÓRICAS RETROSPECTIVAS El investigador, mediante registros, una cohorte expuesta en el pasado a un factor de riesgo, y otra cohorte no expuesta. Mediante dichos registros por ejemplo de historias clínicas, sigue la evolución de ambas cohortes, comparando los resultados. Por ejemplo, se selecciona una muestra de 100 historias clínicas en un hospital que se divide en dos grupos en función del antecedente de tabaquismo o no. Se observa en cada grupo la frecuencia de cáncer de laringe. 3.2.3.3) ESTUDIOS DE CASOS CONTROLES Partiendo de un grupo de individuos enfermos (casos) y de otro comparable a ellos en todo, pero que no tienen la enfermedad (controles). Estudio exposición, ambos casos, para distintos factores de riesgo. Por ejemplo, se comparan los factores de riesgo a los que ha estado expuesto un grupo de pacientes con cáncer de páncreas frente a los factores a los que ha estado expuesto un grupo de individuos sanos. Características : → Es un estudio longitudinal → Es retrospectivo → Va del efecto (enfermedad) a la causa. Ventajas Inconvenientes Es de corta duración y el coste es bajo No es adecuado para comprobar Es ideal para el estudio de enfermedades raras hipótesis previas de causalidad Es el mejor para el estudio enfermedades de No permite el estudio de la largo período de incubación multiefectividad del factor riesgo Es el más adecuado para el estudio de La posibilidad de sesgo es muy multicausalidad de la enfermedad, posibles alta su control difícil, sobretodo con factores de riesgo de una determinada enfermedad los sujetos sanos, ya que no prestan Es el mejor para formular nuevas hipótesis demasiada atención a su pasado etiológicas por el hecho de estar sanos 3.2.3.4) CASOS CONTROLES ANIDADOS Es el tipo de estudio de casos controles en el que la serie de controles está muestreada aleatoriamente de la cohorte que da origen a los casos. De esta forma, al originarse tanto casos como controles de una corte común, la probabilidad de sesgos es menor. 3.2.4) Ensayos clínicos El clínico es un experimento cuidadosamente y éticamente diseñado con el fin de dar respuesta a preguntas que tienen que ver con la utilidad de procedimientos diagnósticos, profilácticos en el ser humano. Los ensayos clínicos (RCT) son estudios prospectivos y experimentales en los que, una vez seleccionada la muestra, se divide aleatoriamente en dos grupos de pronóstico comparable que realmente solo se diferencian de la intervención terapéutica recibida. FASE 1 Es la primera vez que un fármaco se administra a humanos. Generalmente, se realiza con voluntarios sanos o enfermos, de 20 a 80, sin grupo de control, suelen ser ensayos clínicos abiertos, no aleatorizados, muchas veces no comparativos. El principal objetivo es evaluar la toxicidad y conocer la dosis única aceptable no tóxica. FASE 2 El principal objetivo es aportar información sobre la relación dosis-respuesta, proporcionando una información preliminar acerca de la eficacia. Se lleva a cabo en pacientes (n=100-200). No necesariamente tienen que ser comparativos. Generalmente, este tipo de ensayo clínico es controlado y con asignación aleatoria del tratamiento. Algunas clasificaciones distinguen a su vez una fase IIa, estudios piloto realizados en pocos pacientes con criterios de inclusión-exclusión más estrictos y una fase IIB que evalúa la eficacia y la seguridad de un mayor número de pacientes y representa una demostración más rigurosa de la eficacia de nuevo compuesto. FASE 3 Es el prototipo del ensayo clínico. Suele ser comparativo con la terapia de referencia o con un placebo. Es la investigación clínica más extensa y rigurosa sobre un tratamiento médico. Sirve para establecer la eficacia de un nuevo fármaco y la existencia de efectos adversos frecuentes. Un paciente debe conocer que probablemente haya recibido placebo, pero no si lo ha recibido con certeza o no. Lo ideal es comparar frente al mejor tratamiento, a la mejor alternativa existente. Se realiza con un grupo mayor de pacientes de varias decenas de miles. Seleccionados con unos criterios de inclusión-exclusión más laxos, que normalmente se encuentran polimedicados y que permiten hacer una extrapolación de los resultados al resto de la población, lo que se conoce como validez externa. FASE 4 También se denomina farmacovigilancia, y consiste en el seguimiento, posterior a la comercialización del fármaco, de un número muy elevado de pacientes con el fin de detectar efectos adversos poco frecuentes o de aparición tardía. La fase 4 también sirve para evaluar interacciones entre medicamentos y sugerir nuevas indicaciones de fármacos y aceptados para otro fin.  4) DISEÑOS DE INVESTIGACIÓN : Stepped wedge study Diseño creado recientemente. Es un tipo de RCT en el que al principio todos los participantes comienzan el estudio sin ninguna intervención y poco a poco por grupos (clusters) y de manera secuencial van comenzando la intervención/tratamiento. De modo que todos las personas forman parte del grupo de control y experimental a la vez. 5) MEDIDAS DE ASOCIACIÓN Las medidas de asociación sirven para cuantificar cuánto y cuándo se asocia un factor de riesgo para una enfermedad, a partir de la frecuencia con la que aparece el evento resultado en un grupo expuesto a un factor de riesgo, frente al grupo que no está expuesto a dicho factor. Es decir, se emplean para indicar si un factor analizado es protector o de riesgo y se utilizan para cuantificar la asociación entre factor de riesgo y evento-resultado. 5.1) Riesgo relativo El riesgo relativo RR es la medida de asociación en los estudios de cohortes. Mide la fuerza de asociación entre el factor de riesgo y la enfermedad, puede variar entre 0 e infinito. El riesgo relativo responde a la pregunta: ¿Cuánto más frecuente es la enfermedad entre los expuestos a un factor de riesgo respecto a los no expuestos? Su significado varía dependiendo del valor que tome: Factor de riesgo: RR mayor que 1 Indiferente: RR igual 1, la incidencia es igual en expuestos y no expuestos Factor de protección: RR menor que 1 5.2) Odds ratio La odds ratio (OR) es una razón. La medida básica de los estudios casos-controles. Significado es idéntico al del RR, aunque no puede calcularse como este, ya que en los estudios casos-controles no es posible valorar la incidencia de la enfermedad. 5.3) Razón de prevalencia La razón de prevalencia es la medida de asociación de los estudios transversales. Su interpretación es similar a la del riesgo relativo, el número de veces más que padecen la enfermedad los expuestos frente a los no expuestos.  6) META-ANALISIS 6.1) Concepto Las aproximaciones clásicas para resumir la denuncia incluyen revisiones narrativas, revisiones sistemáticas y metaanálisis. A diferencia de las revisiones narrativas, las sistemáticas hacen explícitas todas y cada una de las decisiones que se toman en el proceso de revisión, sistematizar el proceso de examen con el objetivo de obtener revisiones más exhaustivas y reducen la posibilidad de sesgos en los resultados y en su interpretación. Las técnicas de metaanálisis utilizan todos los pasos de la revisión sistemática, pero incluyen además la combinación estadística de los resultados de los estudios. 6.2) Limitaciones metodológicas Heterogeneidad entre estudios : intentar una combinación estadística de resultados que provienen de estudios que exhiben una gran variabilidad entre ellos Sesgo de publicación : es decir la publicación selectiva de estudios en base a sus hallazgos, representa un riesgo para la validez de cualquier metaanálisis METODOLOGÍA DE LA INVESTIGACIÓN : INTRODUCCIÓN A LA ESTADÍSTICA 1) PASOS DEL MÉTODO CIENTÍFICO → Planteamiento de un problema → Formulación de una hipótesis → Elección de un diseño de investigación → Definición operativa de las variables → Recogida de datos → Procesamiento de los datos → Análisis estadístico de los datos → Interpretación de resultados 2) DEFINICION DE ESTADISTICA Ciencia que recoge,clasifica, analiza e interpreta datos relativos a un conjunto de elementos Fase 1 = estadística descriptiva : describe, analiza y representa un conjunto de datos utilizando métodos numéricos y gráficos con el objetivo de sintetizar y representar esta información. Fase 2 = estadística inferencial : obtiene resultados de una población objeto de estudio a partir de los resultados obtenidos del análisis de un subconjunto de esta población.  3) CONCEPTOS DE LA ESTADÍSTICA Población estadística = universo = N : conjunto finito o infinito de individuos, unidades o elementos que son objeto de estudio y de los cuales se requiere información. Total de personas que presentan aquellas características acordes con el objetivo del estudio y que nos gustaría que participaran en la investigación. Muestra = n : subconjunto de una población que se utiliza para explicar características del conjunto de esta población. Subconjunto de sujetos seleccionados (aleatoriamente o no) de la población con los que voy a realizar el estudio. Para poder generalizar los resultados de la muestra a la población, la muestra tiene que ser representativa. Muestra representativa : subconjunto de sujetos que pertenecen a una población determinada y que tienen las mismas características generales que la población. En caso contrario, tenemos una muestra sesgada. Sesgo : error sistemático en el muestreo producido por una restricción en el proceso de selección produciendo muestras no representativas. Muestreo : procedimiento de extracción de la muestra. Parámetro : valor numérico constante que describe la característica de una población que se representan por letras griegas minúsculas. Un parámetro es un número que resume la gran cantidad de datos que pueden derivarse del estudio de una variable estadística. El cálculo de este número está bien definido, usualmente mediante una fórmula aritmética obtenida a partir de datos de la población. Estadístico: valor numérico que describe la característica de una muestra. Depende de la muestra seleccionada. Se representan con letras latinas mayúsculas. Es una cantidad numérica calculada sobre una muestra que resume su información sobre algún aspecto. Normalmente nos interesa conocer un parámetro, pero por la dificultad que conlleva estudiar a toda la población, calculamos un estimador sobre una muestra representativa. 3.1) Muestreo probabilístico Mejor : se puede determinar la probabilidad que tiene cada elemento de la población de formar parte de la muestra Aleatorio simple MAS Estratificado Por conglomerados Todos los elementos de la Las unidades muestrales son muestra marco son clasificados colectivos. Cada unidad en subpoblaciones o estratos colectiva es un conglomerado. en base a alguna/s variable/s que poseen. Cada elemento de la población pertenece SÓLO a Cada individuo SÓLO en un un conglomerado. estrato, que son mutuamente A partir del listado, se excluyentes y exhaustivos. Se realiza un MAS de los seleccionan al azar conglomerados. Formarán tantos elementos Se realiza un MAS dentro de parte de la muestra todos los muestrales como se cada estrato. elementos que conforman los desee obtener. conglomerados seleccionados. 3.2) Muestreo no probabilístico Se desconoce o no se tiene en cuenta la probabilidad asociada a cada una de las muestras posibles. No permite saber el grado de representatividad de una muestra. Intencional u opinatico Accidental o por Bola de nieve conveniencia La selección de los La selección de los Los individuos elementos muestrales se elementos muestrales se seleccionados para ser hace porque se cree que hace por la conveniente estudiados reclutan a son representativos de la accesibilidad y nuevos participantes entre población según la opinión proximidad de los sujetos sus conocidos. o juicio del investigador. para el investigador.  4) VARIABLES Caso, Entidad o Unidad de observación: cada uno de los elementos sobre los cuales se desea recoger información en un determinado estudio. Característica: Propiedad o cualidad de una unidad de observación. Variable: Cualquier característica que en una investigación presenta más de una categoría. Si en una investigación todos los valores de una característica son iguales no hablaremos de variable; sino de constante. Por ejemplo, en una investigación sobre anorexia en adolescentes de 15 años, la edad no será una variable sino una constante. 4.1) Según su grado de cuantificación Las variables no cambian su tipología, una variable cuantitativa siempre será cuantitativa. Recodificar es posible, una variable cuantitativa la puedo recodificar en una ordinal. → Edad en años = variables cuantitativa → Edad en rangos de edad = variable ordinal 4.1.1) Cualitativas / Categóricas / Nominales Sólo indican cualidad. Se tiene o no se tiene. Atributo. Distinguen los casos en distintas categorías. Ejemplo: Sexo, profesión, estado civil → No se puede establecer relaciones de orden ni de cantidad. → Para representar las categorías se pueden utilizar letras, símbolos o números. Pero los números únicamente tienen carácter simbólico y no numérico. 4.1.2) Semicuantitativas / Cuasi-cuantitativas / Ordinales Los sujetos son ordenados según el grado de posesión de la variable pero no se sabe cuántas unidades tiene cada individuo. Ejemplo: nivel de estudios. Identificar a los sujetos como iguales o diferentes (categorías) + Establecer relaciones del tipo “mayor que” o “menor que”. → Los números representan las categorías. → La propiedad o atributo se tiene en ≠ grados. Las categorías implican jerarquía. → Los números expresan orden, pero no una cantidad, así que las diferencias no se pueden cuantificar 4.1.3) Cuantitativas / Numéricas (intervalo y razón) Tienen unidad de medida, por la que se puede determinar la cantidad de unidades de medida que un objeto posee de la variable, indicando el grado o cantidad de lo que se mide. Identificar a los sujetos como iguales o diferentes + Establecer relaciones del tipo “mayor que” o “menor que” + Variables con unidad de medida: Cuantificar las diferencias. → Cuantitativas Discretas: No admiten valores intermedios. Ejemplo: Nº de hijos → Cuantitativas Continuas: Admiten valores intermedios. Ejemplo : Inteligencia, ansiedad, bienestar psicológico, edad 4.2) Según la función en la investigación Las variables pueden cambiar su papel de una investigación a otra. En un estudio pueden ser dependientes y en otro independientes. VI = Independiente (X) : La hipotetizada como factor influyente VD = Dependiente (Y) : La hipotetizada como que se ve afectada Mediadora : Proceso en el que el efecto de una variable X (VI) sobre una variable Y (VD) ocurre a través de una tercera variable llamada mediadora (M) MEDIACION TOTAL MEDIACION PARCIAL Moderadora (efecto de interacción) : La dirección y/o magnitud del efecto de X (VI) sobre Y (VD) son modificadas por una tercera variable llamada moderador (W) Confundente : ?  5) ESCALAS DE MEDIDA 5.1) Nominal Su fin es identificar sujetos/objetos dentro de una distribución, por lo que únicamente podremos establecer las relaciones de igualdad/desigualdad entre los sujetos/objetos de una distribución. Un ejemplo es el nombre de las ciudades: solo podemos diferenciarlas entre sí de acuerdo con esta escala. El número de los jugadores de fútbol o de baloncesto nos proporciona la misma información: solo sirve para identificarlos y diferenciarlos del resto de jugadores. No podemos establecer un orden o una gradación en función de este número. 5.2) Ordinal Este tipo de escala está destinada a ordenar a los sujetos/objetos de una distribución en función de alguna característica. Cabe señalar que la distancia entre sus unidades no es uniforme. De esta forma, podemos decir que A está por encima que B, pero no que sea el doble o que sea la mitad uno que otro. Ej = orden de llegada en una carrera : A____B______________C_______________D__E 5.3) De intervalo En esta escala la distancia entre las unidades de medida sí es uniforme, de forma que podemos decir que D es el doble que A, por ejemplo. Por ello, permite realizar operaciones matemáticas, como suma, resta, multiplicación o división. El cero es arbitrario, no indica la ausencia de atributo. Como ejemplo puede servir la escala de tiempo que utilizamos: el cero es arbitrario, puesto en el nacimiento de Cristo, o la escala para medir la temperatura en grados centígrados, en la que el cero es también relativo. _A____B____C____D 5.4) De razón Similar a la de intervalo, con la única diferencia que el cero en esta escala sí indica la ausencia de atributo, es cero absoluto. Como ejemplo podemos señalar la altura en centímetros, o el peso en gramos. En ambos casos 4 es doble que 2 (2+2=4), o 4 es la mitad que 8, por ejemplo, debido a que la distancia entre sus unidades de medida es uniforme. METODOLOGÍA DE LA INVESTIGACIÓN : ORGANIZACIÓN DE DATOS Y MEDIDAS DE POSICIÓN 1) BASES DE DATOS Programas informáticos: – SPSS – EXCEL – R – JAMOVI Funciones: Exploración inicial, Limpieza de datos, Transformación (Generar nuevas variables, Juntar dos variables en una) 1.1) Valores atípicos (outliers) Observaciones aisladas que tienen un comportamiento que se diferencia claramente del comportamiento medio del resto de las observaciones. Tipos de casos atípicos : → Errores (de codificación, entrada de datos, etc.) → Resultado de un acontecimiento extraordinario. Criterio de eliminación de valores → Habitualmente se eliminan los datos que están alejados de la media 2 ó 3 desviaciones típicas, ya que en la mayoría de variables (distribución normal) 1.2) Valores ausentes (missing) Pueden haber diversas causas : → Registro defectuoso de la información → Ausencia natural de la información → Falta de respuesta total o parcial 1.3) Soluciones 1.3.1) Supresión de datos Sólo analizar los sujetos que tengan los datos completos en las variables necesarias para el análisis. Si falta un valor en una variable que no se está utilizando en un cálculo, el sujeto sí que se tiene en cuenta en el análisis. 1.3.2) Imputación de datos Proceso de estimación de los valores ausentes basado en valores válidos de otras variables o casos de la muestra. Por ejemplo: sustitución por la media o por la mediana. Ejemplo: En un test hay 5 ítems que miden la autoestima. Para obtener la puntuación total tenemos que sumar los puntos de las respuestas que un sujeto ha dado a los 5 ítems. Si no ha contestado a uno de ellos tenemos que imputar el valor ausente para que la puntuación no se quede en la suma de 4 ítems ya que no se podría comparar con las puntuaciones totales correspondientes a la suma de 5 ítems. Atención imputar no quiere decir inventar datos. 2) DISTRIBUCIÓN DE FRECUENCIA 2.1) Organizacion Forma de organizar los N datos recogidos que permite resumir la información y facilita el cálculo de los estadísticos descriptivos y la elaboración de gráficos. Se organizan los datos por filas y columnas. 2.1.1) Filas Categorías o niveles de la variable que han de ser mutuamente excluyentes y exhaustivos. Es decir, todos los elementos de la muestra han de estar recogidos en la distribución en una sola ocasión (excluyente). 2.1.2) Columnas Frecuencia absoluta (ni): Número de elementos de una muestra que tienen un determinado valor de una variable. La suma de todas las frecuencias absolutas ha de ser igual al total de la muestra. Frecuencia absoluta acumulada (nai): Suma de las frecuencias absolutas de una variable hasta una cierta categoría. Nos indica la cantidad de elementos muestrales con valores inferiores o iguales a una categoría determinada. Frecuencia relativa o proporción (pi): Fracción de elementos de una muestra que tienen un determinado valor de una variable, es el tanto por 1. Se calcula dividiendo el número de veces que se repite un valor de una variable por el número total de elementos de la muestra. La suma de todas las frecuencias relativas tiene que ser igual a 1. Frecuencia relativa acumulada o proporción acumulada (pai): Suma de las frecuencias relativas o proporciones de una variable hasta una cierta categoría. Nos indica la proporción de elementos muestrales con valores inferiores o iguales a una categoría determinada. Porcentaje (Pi) y Porcentaje acumulado (Pai): Lo mismo que la proporción y la proporción acumulada pero multiplicado por 100. 2.2) Distribución de frecuencias 2.2.1) Distribución de frecuencias para variables cualitativas No tiene sentido acumular observaciones porque al no conseguir una relación de orden, la disposición de las categorías es arbitraria. 2.2.2) Distribución de frecuencias para variables semi-cuantitativas Se pueden acumular datos porque ya se consigue una relación de orden y, por tanto, las categorías están organizadas en orden creciente o decreciente de posesión de variable. 2.2.3) Distribución de frecuencias para variables cuantitativas Se pueden acumular datos porque las categorías están organizadas en orden creciente o decreciente de posesión de la variable. Se pueden establecer relaciones de igualdad-desigualdad, orden (mayor que ó menor que), y además podemos cuantificar las diferencias (unidad de medida). 3) MEDIDAS DE POSICIÓN Son índices diseñados especialmente para indicar la situación de una puntuación con respecto a un grupo, utilizando éste como marco de referencia. Calcula la puntuación que deja por debajo un porcentaje determinado de datos Permite valorar una puntuación en términos relativos, respecto a un grupo de referencia Podemos diferenciar 2 tipos: → Medidas de tendencia central (lo veremos en el tema siguiente). → Cuantiles : centiles o percentile, deciles, cuartiles, quintiles 3.1) Centiles o percentiles Se parte de una distribución dividida en 100 partes con igual nº de datos. Cada una de ellas contiene el 1 por 100 de las observaciones. Ej.: Si una persona obtiene una puntuación de 110 en un test y sabemos que C90 = 110: Su puntuación corresponde con el Centil 90. El 90% de las puntuaciones en ese grupo son iguales o inferiores a la suya. Esa puntuación únicamente es superada por el 10% restante Cuando se busca un centil (ej. C22,2), se pregunta por la puntuación que deja por debajo cierto % de las observaciones. 3.2) Cuartiles (Qk) Dividen la distribución en 4 partes iguales, cada una de ellas con el 25% de las observaciones. Hay equivalencias entre cuartiles y centiles : Q1 = C25, Q2 = C50, Q3 = C75 3.3) Déciles Dividen la distribución en 10 partes iguales. Ej.: D4 deja por debajo el 40% de las observaciones. Hay equivalencias entre deciles y centiles : D1 = C10, D2 = C20, D3 = C30 4) GRAFICOS 4.1) Diagrama de pastel o de sectores Representación gráfica de los datos recogidos mediante un círculo dividido en sectores o áreas proporcionales a las frecuencias. Especialmente utilizado con variables cualitativas; aunque se puede utilizar con cualquier tipo de variable. 4.2) Diagrama de barras Representación gráfica de los datos recogidos mediante barras en los que la base es igual y la altura corresponde a la frecuencia del valor representado. Se utilizan con variables cualitativas, semi-cuantitativas y cuantitativas discretas y continuas. 4.3) Histograma Representación gráfica para variables cuantitativas continuas. A diferencia del diagrama de barras, los rectángulos están juntos para indicar continuidad. 4.4) Gráfico de líneas Se puede utilizar con variables cuantitativas para ver la evolución de una variable. 4.5) Diagrama de cajas y bigotes Un diagrama de caja, también conocido como caja y bigotes, es un gráfico que está basado en cuartiles y mediante el cual se visualiza la distribución de un conjunto de datos. Está compuesto por un rectángulo y dos brazos. Es un gráfico que suministra información sobre los valores mínimo y máximo, los cuartiles Q1, Q2 o mediana, Q3 y sobre la existencia de valores atípicos y la simetría de la distribución. UTILIDAD de este tipo de gráfico: → Proporciona una visión general de la simetría de la distribución de los datos (si la mediana no está en el centro de la distribución de los datos, la distribución no es simétri) → Son útiles para ver la presencia de valores atípicos (outliers) → Pertenece a las herramientas de la estadística descriptiva. → Permite ver cómo es la dispersión de los puntos con la mediana, los percentiles 25 y 75 y los valores máximos y mínimos. → Permite la comparación visual/cualitativa entre dos o más subgrupos en los que se divide la muestra (pre y post, tratamiento A y B,…) ESTADÍSTICA DESCRIPTIVA : MEDIDAS DE TENDENCIA CENTRAL Y MEDIDAS DE VARIABILIDAD O DISPERSIÓN 1) INTRODUCCION Las medidas que caracterizan a un grupo cuando se mide una variable, son aquellas que permiten describir o sintetizar sus principales características, entre les cuales se encuentran → Tendencia central → Variabilidad → Forma : Asimetría y Curtosis 2) TENDENCIA CENTRAL 2.1) Concepto Medida de síntesis de la posición que un grupo ocupa en el grado de posesión de una variable. Llamadas también medidas de posición grupal. Las más utilizadas : → Moda → Mediana → Media aritmética 2.2) Moda (Mo) : definición, cálculo y principales características Es el valor de la variable que más se repite, es decir, al que corresponde la mayor frecuencia absoluta. Las distribuciones pueden ser amodales, unimodales, bimodales o multimodales en función de la cantidad de modas que tengan. Si hay diversos valores que se repiten igual nº de veces y son consecutivos, la Mo es la media de ellos. Aplicado principalmente a las variables nominales. 2.3) Mediana (Md) : definición, cálculo y principales características Es la puntuación que deja por debajo el 50% de los datos. Es el Percentil 50. Estadístico resistente, ya que NO se ve afectado por los valores extremos. Cálculo con datos agrupados : se analiza la distribución de frecuencias. Cálculo con datos originales : se ordenan los datos de menor a mayor, y se calcula la posición que ocupa la mediana. Si es nº par se hace la media de los dos datos centrales. 2.4) Media aritmética (X) : definición, cálculo y principales características Suma de los datos dividida entre el número total de datos (N) Media Aritmética con datos agrupados Media Aritmética Ponderada ó Total = Media a partir de varias medias obtenidas de diferentes muestras Propiedades de la media aritmética : → Estadístico sensible : se ve afectado por todos los valores → La suma de las distancias de los datos respecto a la media es 0, es decir, el sumatorio de las puntuaciones diferenciales (directa menos la media) es 0. Si sumamos una constante a cada uno de los valores, la nueva media aritmética será la original más la constante. Si multiplicamos cada uno de los valores por una constante, la nueva media aritmética será la original por la constante. Si se hace una transformación lineal completa (multiplicando una constante y sumando otra), la nueva media aritmética de la variable transformada será resultado de aplicar la transformación lineal a la media de la variable original. 2.5) Moda, mediana y media aritmética : criterios de uso, sensibilidad y robustez Para aplicar el estadístico de tendencia central más adecuado hay que considerar diversos factores. Norma general : La media excepto casos especiales, porque → Es más estable (salvo casos especiales) → Tiene en cuenta todas las puntuaciones (sensible) → Es la base de las muchas pruebas de Estadística Inferencial Calcularemos la mediana → Si la variable es ordinal (semicuantitativa, cuasicuantitativa) → Si hay valores extremos para que no afecten al resultado (robusta) → Si la distribución es muy asimétrica Calculamos la moda → Si la variable es nominal (categórica, cualitativa) 3) VARIABILIDAD 3.1) Concepto Es independiente de la tendencia central. Objetivo de describir el grado de variación o dispersión de los datos, es decir, la similitud o homogeneidad que presentan. → Menor dispersión = menores son las diferencias entre los datos, distribución es más homogénea → Mayor dispersión = mayores diferencias hay entre los datos, distribución es más heterogénea (menos homogénea) 3.2) Varianza y desviación típica La varianza es la media de las diferencias cuadráticas respecto a la media aritmética. La desviación típica es la raíz cuadrada de la varianza. La desviación típica se suele utilizar más que la varianza en los análisis, ya que la desviación típica nos da una medida en la misma unidad de la variable analizada. La desviación típica es el estadístico de dispersión empleado para variables cuantitativas. Los datos de variabilidad que con mayor frecuencia se utilizan son la varianza y la desviación típica que SIEMPRE acompañan al valor de la media aritmética. Por tanto, la varianza y la desviación típica SÓLO se calculan cuando la variable es cuantitativa. 3.3) Amplitud intercuartilica (AI) AI es la distancia entre el Q1 y el Q3. Indica el recorrido del 50% central de los datos. Q1= Cuartil 1, puntuación que deja por debajo el 25% de los datos Q3= Cuartil 3, puntuación que deja por debajo el 75% de los datos. Es robusto porque no depende de las colas de la distribución (valores extremos). Medida de variabilidad adecuada cuando es adecuado calcular la Mediana (Md) como medida de tendencia central. 3.4) Coeficiente de Variación (CV) Indica el porcentaje de dispersión respecto a la media. Se pone en valor absoluto porque, aunque las medidas de variabilidad no pueden tener valores negativos, es posible que la media sí. Cuanto más grande es el valor del CV, mayor es la variabilidad. Es sensible a las colas de la distribución, ya que se basa en la media y la DT que son estadísticos sensibles. Útil para : → Comparar la dispersión de una variable medida en diversos grupos con distintas escalas o medias muy diferentes. → Comparar la variabilidad de distintas variables. 3.5) Criterios de uso La Varianza y Desviación La Amplitud Intercuartílica El Coeficiente de Típica Variación Comparar la variabilidad Es la mediana como Es la media como medida de diversos grupos de medida de tendencia de tendencia central datos en relación a sus central respectivas medias. 4) SIMETRIA Una distribución es simétrica cuando al dividirla en dos partes en torno a la mediana tiene la misma forma a la izquierda y a la derecha del centro de la distribución. En las distribuciones simétricas las medidas de tendencia central (media, mediana y moda) coinciden. Lo normal es que las distribuciones tiendan a ser asimétricas (las dos partes de la distribución no tengan la misma forma). Las distribuciones asimétricas pueden ser de dos tipos: → Asimétricas positivas: Cola a la derecha → Asimétricas negativas: Cola la izquierda. Generalmente, se asocia al grado de apuntamiento de la distribución siempre en comparación con la distribución normal. Más apuntada que la normal, la curtosis será positiva y viceversa. Según la curtosis, una distribución puede ser Leptocúrtica (curtosis positiva K > 0), Mesocúrtica (curtosis cero normal K = 0), Platicúrtica (curtosis negativa K < 0)  PROBABILIDAD Y NORMALIDAD 1) CONCEPTO La probabilidad es una medida de la certidumbre asociada a un suceso o evento futuro y suele expresarse como un número entre 0 y 1 (o entre 0 % y 100 %). P(A) = n° veces q ocurre / n° veces q puede ocurrir = casos favorables / casos posibles Se llama suceso seguro E al que ocurre siempre, P(E)=1. Si a es un suceso complementario a A, que sucede siempre que no lo hace A, entonces: P(a)= 1-P(A) El azar no sería más que una especie de saco donde se refugian las causas que no podemos o no queremos controlar. 1.1) ¿Qué queremos hacer cuándo tratamos datos? Si nuestro estudio se centra en una determinada variable lo que nos importa realmente es determinar su distribución de probabilidad, lo cual significa conocer qué valores puede tomar la variable y con qué probabilidad teniendo en cuenta los valores del universo. 1.2) Función de probabilidad En el ejemplo del lanzamiento de dos dados. Sabemos que en determinados juegos de azar no importa exactamente cuál ha sido el resultado de cada uno de los dados sino la suma X de ambas puntuaciones. Este es un sencillo ejemplo de variable aleatoria, que puede tomar 11 valores diferentes, concretamente x1 = 2, x2 = 3, x3 = 4,...,x11 = 12. Si suponemos una simetría perfecta podemos determinar su distribución de probabilidad contabilizando el número de casos favorables a cada resultado de la variable dividido por el número total de casos que presenta el espacio, es decir, 36. 2) CONEXIÓN ENTRE PROBABILIDAD Y ESTADÍSTICA 2.1) Ley de los grandes números Lo que vemos es que si los números de lanzamientos son lo suficientemente grandes, lo que ocurre es que las frecuencias relativas se asemejan a las probabilidades teóricas, explicado en la ley de grandes números. La media es el valor central más repetido, se trata pues del centro de gravedad. Este parámetro suele denotarse por la letra griega µ (mu). Si medimos muchas veces la media estadística el valor se acerca al valor teórico de probabilidad del universo. Lo mismo ocurre con la varianza y la desviación típica, σ (Sigma). Es una utopía obtener los datos de toda la población, debemos conformarnos con la muestra e inferir o generalizar las conclusiones a la población. Esto será posible si la muestra es representativa. En este contexto identificamos los parámetros poblacionales con los probabilísticos, puesto que no puedo medir a todo el mundo. 3) DISTRIBUCIÓN NORMAL O DE GAUSS Este tipo de distribución es seguida por una inmensa cantidad de variables biológicas cuyas medidas se agrupan alrededor de un valor central y que presentan una frecuencia cada vez menor a medida que se alejan de dicho valor. Las características de la distribución normal o Gauss son : → Corresponde a variables cuantitativas → Se caracteriza por dos medidas : media y desviación típica → Es unimodal → Es simétrica alrededor de la media, por la tanto media, mediana y moda coinciden → Tiene forma acampanada sin un pico excesivo → Va desde menos infinito a más infinito (eje abscisas x) 3.1) Propiedades de la X y SD La media y la desviación típica o desviación estándar (SD) son unos valores muy buenos para resumir las propiedades de una variables, siempre y cuando la distribución sea simétrica y no hay outliers. 3.2) Relación entre SD y porcentaje de observaciones de la variable 50% de las observaciones se encuentran por debajo de la media aritmética y el 50% por encima 68% de las observaciones están dentro del intervalo x ± s (SD) 95,5% de las observaciones están dentro del intervalo x ± 2 s 99,7% de las observaciones están dentro del intervalo x ± 3 s  4) ANÁLISIS DE NORMALIDAD Una variable se considera paramétrica si sigue una distribución normal, en caso contrario se considera no paramétrica. Esto es especialmente importante a la hora de definir los estadísticos en la estadística inferencial. En estadística se puede analizar la normalidad con 2 estadísticos : → Kolmogorov-Smirnov (tamaño muestral > 50) → Shapiro-Wilk (tamaño muestral 0.05 significa que la distribución es normal, con lo cual se considera una variables paramétrica ESTADÍSTICA INFERENCIAL : ESTIMACIÓN DE INTERVALOS, COMPARACIÓN DE MEDIAS, CONTRASTE DE HIPÓTESIS 1) ESTIMACION DE INTERVALOS 1.1) Concepto de estadística inferencial La tarea fundamental de la estadística inferencial es deducir propiedades (hacer inferencias) de una población, a partir de una pequeña parte de la misma, muestra. También permite comparar muestras de diferentes poblaciones. El problema de Estimación tiene por objeto estimar o aproximar los parámetros probabilísticos a partir de otros calculados directamente a partir de la muestra. De esa forma, podemos decir por ejemplo que la media aritmética X de la muestra es un estimador de la media poblacional µ. 2.2) Estimación de medias En este caso, se quiere conocer la media poblacional a partir de la media muestral. Para ello, se puede aplicar : → Estimación puntual: la media muestral es un buen estimador de la media de una población → Estimación por intervalos: el valor numérico de los estimadores puntuales en muestras diferentes puede variar. Es decir, si se repiten los cálculos con otra parte de la misma población, el resultado de la media muestral podría ser diferente. Por tanto sería mejor que, además, se aportará un intervalo que presumiblemente incluye también el parámetro de la población.  Para ello, es preferible la estimación por intervalos, ya que entonces se indican límites de valores dentro de los cuales el parámetro poblacional tiene la probabilidad de estar. Al intervalo alrededor del estadístico muestral se le denomina intervalo de confianza, el nivel de confianza 1-α indica la probabilidad que hay de que la media poblacional µ pertenezca a ese intervalo; es frecuente expresarlo en porcentajes. Son equivalentes las expresiones nivel de confianza 1-α y significación alfa así suele hablarse de obtener un intervalo con nivel de confianza del 95% o una significación α igual a 0.05. A veces esta probabilidad se representa con la letra P. ¿Por qué el 5%? Pues por nada en especial, pero existe un convenio tácito en la Estadística de considerar algo como raro o poco probable cuando la probabilidad de que ocurra sea inferior al 0.05, seguramente por ser una cantidad pequeña y redonda. De ahí que lo más habitual sea construir intervalos al 95% de confianza Los valores alternativos más frecuentes para el nivel de riesgo son α = 0,01,0,001. También se asumen en ocasiones riesgos mayores, como α = 0,10, la “confianza de acertar” es menor de un 90%. 2.3) Estimación de medidas de asociación Independientemente del tipo de estudio epidemiológico y del parámetro utilizado para medir la fuerza de asociación (RR, OR) la estimación de las medidas de asociación ha de ser extrapolada a la población general mediante la construcción de un intervalo de confianza. Si el intervalo de confianza incluye el 1, se habla de que el resultado no es significativo. 2) CONTRASTE DE HIPOTESIS 2.1) Problema de contraste de hipótesis En esta ocasión no nos ocupa la estimación de un parámetro poblacional, sino evaluar la validez de un determinado modelo teórico para explicar el comportamiento de nuestros datos. La decisión ha de tomarse pues de manera razonable, a partir de la información que presta una muestra aleatoria de tamaño n. Denominamos test de hipótesis al algoritmo o proceso matemático preestablecido al que se someten los n datos de la muestra y que desemboca en la toma de decisión. No existe, evidentemente, un único test para cada problema de decisión. Desde un punto de vista teórico, el problema de decisión consiste en establecer criterios razonables de comparación de tests, y determinar qué test es el mejor, según el criterio establecido. 2.2) Toma de decisión : igual o diferente Ejemplo pre-post intervención de un proceso de rehabilitación. La hipótesis es que después del tratamiento el paciente aumentó su ROM. Pasos a seguir : → Definir la línea crítica (linea vertical verde) → Calcular con la prueba de contraste mi error (P, sig, α, alfa) La línea crítica umbral de probabilidad (verde) me ayudará a saber si los Este caso soy más exigente, solo admito un error del 1% teniendo en cuenta la resultados PRE y POST son parecidos o distribución del universo. distintos, Alfa está asociado al % de la distribución del universo, al error que estoy Conclusion : son iguales dispuesto a cometer. Conclusion : son diferentes. —--------------------------------------------------- Datos apareados/ datos relacionados (paired data) : se refiere a los datos de dos muestras los cuales están relacionados entre sí, como por ejemplo en un estudio pre y post.  3) TAMAÑO DEL EFECTO 3.1) Concepto El hallazgo de efectos estadísticamente significativos (cuando se rechaza la Hipótesis Nula) pueden ser irrelevantes cuando son de baja magnitud, lo que puede ocurrir cuando las muestras son bastante grandes. Por ello se dice que las pruebas de significación estadística son insuficientes en situaciones prácticas, donde la magnitud del efecto observado es fundamental. Los procedimientos estadísticos de tamaño del efecto tienen como finalidad fundamental la cuantificación de la relevancia del efecto obtenido. Dicho de otra forma, se trata de establecer si efectos estadísticamente significativos son relevantes en el campo de aplicación de la investigación. Cuanto más alta mejor, más evidencia de que hay diferencias entre grupos. 3.2) D de Cohen Valores inferiores a 0.2 indican un efecto de pequeño tamaño Valores de 0.5 de magnitud media Valores de 0.8 indica un efecto de alta magnitud 3.3) Eta cuadrado Eta-cuadrado (η2 ) es una medida del tamaño del efecto para el análisis de varianza (ANOVA). Mide la capacidad del efecto en un campo continuo. Eta-cuadrado se puede interpretar como la proporción de varianza explicada por un efecto que se está analizando (tratamiento, pre-post,…) mientras se controlan otros efectos.  AVATAR : DEFINICIÓN Y DESARROLLO 1) INTRODUCCION 1.1) Objetivos y concepto Metodología propia de la investigación y análisis cualitativos. Es un ejercicio vital si queremos conectar con las necesidades y problemas de un grupo de personas. Tiene como objetivo conocer las características de un público objetivo. Se define como un perfil global que va a cumplir la mayoría de nuestro público objetivo, incluye : → Perfil psicológico → Necesidades y problemas → Perfil tecnológico → Perfil de consumo → Contexto socio-económico 1.2) Ámbitos de aplicación y sinónimos Su utilidad se extiende a numerosos Recibe diversos nombres ámbitos: – Investigación – Avatar – Marketing – Público objetivo – Comunicación – Cliente ideal – Ventas – Target (del inglés objetivo) – Trabajo empatía en tratamiento terapéutico 1.3) ¿Por qué es necesario ? Elegir : permite elegir el público con el que se quiere interactuar/trabajar Empatía : es un ejercicio importante para empatizar con las personas con las que queremos trabajar. Seguridad : es importante estar seguros de conocer cómo, para qué, qué vas a ofrecer, por que sabes las características de esas personas. Problemas/puntos de dolor : es una forma muy interesante de conocer a priori los problemas sobre los que habrá que actuar 2) COMO GENERAR UN AVATAR Seguidamente se describen los pasos a dar para generar un avatar : Personaliza tu avatar, ponle nombre y foto. Se puede basar en su propia experiencia, la experiencia de personas conocidas, familiares, amigos…. o una mezcla de ambas. ATENCIÓN: importante tener cuidado con los sesgos personales. Debemos tratar de objetivar y dejar a un lado las creencias y prejuicios. 2.1) Datos socio-económicos 1. Sexo 2. Edad 3. Nacionalidad 4. Estado Civil 5. Dónde vive 6. Dónde se crió. 7. ¿Tiene hijos? 8. Educación. 9. Estudios complementarios. 10. Empleo y empresa. 11. Ingresos/gastos mensuales 2.2) Reconoce sus puntos de dolor 1. ¿Cuál es su problema número 1? 2. Qué otros problemas tiene. 3. ¿Qué es lo que no le deja dormir por las noches? 4. ¿Cuáles son sus miedos y frustraciones? 5. ¿Y sus deseos? 6. ¿Cuál es su objetivo? 7. ¿Y sus ambiciones? 8. ¿Cómo se siente al pensar en sus problemas? 2.3) Identifica sus motivaciones 1. Sus sueños 2. Sus valores. 3. Sus hobbies. 4. Sus iconos e ídolos 5. Libros, películas, revistas, etc. que le gustan. 6. ¿Nivel usuario, experto o medio? 2.4) Identifica cómo le puedes ayudar, cómo puedes cubrir sus necesidades y solucionar sus problemas 2.5) Dónde puedes encontrar a este avatar – RRSS – Eventos – … 2.6) Redacta todo el avatar de forma coherente. Esta tarea final es sumamente importante, puesto que se descubren nuevas características que antes no se han detectado. CONSENTIMIENTO INFORMADO Y HOJA DE INFORMACIÓN AL PARTICIPANTE 1) INTRODUCCION Dos tipos de consentimiento informado : uso clínico o investigación. El objetivo final es informar al paciente o la persona que vaya a participar en un estudio sobre los objetivos, derechos del paciente y posibles efectos que puede tener sobre su salud. De esta forma dicha persona puede aceptar participar o no, según lo considere.  2) CI PARA USO CLINICO Según la Junta de Andalucía, es el procedimiento que permite respetar la libertad de las personas enfermas para decidir sobre su cuerpo, su salud y su vida, permitiendo así asumir sus propias responsabilidades en la toma de decisiones sanitarias. Antes de la realización de una prueba médica o de una intervención, o de seguir cualquier otro tratamiento, los pacientes tienen derecho a estar debidamente informados sobre los siguientes aspectos : ¿En qué consiste el tratamiento? ¿Para qué sirve? ¿Cómo se realiza? ¿Qué efectos puede producir? ¿Cuáles son sus beneficios? ¿Qué riesgos tiene? ¿Existen otras alternativas disponibles? En la investigación se escriben y utilizan dos documentos : Hoja de información al paciente y Consentimiento informado. IMPORTANTE: debe estar escrito en un lenguaje muy sencillo, se deben evitar tecnicismos. 2.1) Hoja de información al paciente Objetivo del documento Datos del proyecto de investigación : Investigador principal, Delegado de protección de datos, Entidad o entidades, Financiador (si lo hubiere), Empresas, hospitales… Qué significa el consentimiento informado Datos De la agencia española de protección de datos Derechos de la persona participante. Definiciones de conceptos importantes Leyes de referencia Cuándo y cómo puede abandonar el estudio Beneficios potenciales para el/la paciente (si los hubiera). Qué va a percibir el participante por el estudio, o si por el contrario la participación es voluntaria. Cómo resolver posibles dudas y persona de contacto Información sobre cómo, para qué, durante cuánto tiempo y quién va a custodiar los datos Información de hasta cuándo se van a tener los datos Se debe informar al participante que puede pedir por escrito o de manera electrónica toda la información contenida en este documento. 2.2) Derechos del paciente Derecho de acceso: El interesado tendrá derecho a obtener del responsable del tratamiento confirmación de si se están tratando o no datos personales que le conciernen y, en tal caso, derecho de acceso a dichos datos Derecho de rectificación: El interesado tendrá derecho a obtener sin dilación indebida del responsable del tratamiento la rectificación de los datos personales inexactos que le concierne Derecho de supresión («el derecho al olvido»): El interesado tendrá derecho a obtener sin dilación indebida del responsable del tratamiento la supresión de los datos personales que le concierne Derecho a la limitación del tratamiento: El interesado tendrá derecho a obtener del responsable del tratamiento la limitación del tratamiento de los datos Derecho a la portabilidad de los datos: El interesado tendrá derecho a recibir los datos personales que le incumban, que haya facilitado a un responsable del tratamiento, en un formato estructurado, de uso común y lectura mecánica, y a transmitirlos a otro responsable del tratamiento sin que lo impida el responsable al que se los hubiera facilitado. 2.3) Consentimiento informado Participación en el estudio Utilización de las imágenes para investigación Utilización de las imágenes para docencia Utilización de datos para otros estudios En caso de tratarse de menores o persona no capacitadas será necesario que firme el consentimiento un representante legal. 3) ES SIEMPRE NECESARIO ? Qué pasa cuándo quiero hacer una investigación y no puedo pedir el consentimiento informado. Es necesario llevar a cabo el siguiente proceso: 1. Envío de documentación a la comisión correspondiente en el Ministerio de Sanidad 2. Pasar los requisitos de un Comité científico 3. Pasar los requisitos de la Conselleria de Sanitat Universal i Salut Pública (específico de Valencia)  4) CONCLUSION Los datos de salud son especialmente sensibles. De modo que los profesionales de la salud deben ser conscientes de ello y actuar de manera proactiva en el cuidado de los datos de sus pacientes. Hay una nueva regulación sobre protección de datos y derechos digitales que todos debemos conocer. Los profesionales que tratan con datos tienen la responsabilidad de gestionar y utilizar los datos conforme a la ley. Los profesionales de la salud debemos ser capaces de demostrar que hemos hecho todo lo que estaba en nuestra mano para cumplir la ley y garantizar los derechos de los pacientes (Accountability principle).