En alguna ocasión ya he comentado, en tono jocoso, las cosas absurdas que podemos llegar a hacer los científicos e investigadores cuando nos referimos a la bioestadística. Si queréis recordar aquellos artículos, los tenéis enlazados aquí y aquí.
En esta ocasión, quiero intentar tratar el tema de manera más profunda.
Muchos ya conocéis también mi particular forma de ver o hacer según qué cosas en esta disciplina. Siempre me resulta curioso cuán a menudo nos encontramos con abordajes meramente teóricos o basados en conceptos que aprendimos durante nuestra formación universitaria. En relación con esto, mi parecer es bastante claro, y dista mucho de lo que hace la mayoría.
La teoría funciona muy bien en clase, cuando estamos formándonos. Pero cuando salimos a la vida real y nos topamos con datos reales, las cosas suelen cambiar. Sobre todo si nos referimos a personas y enfermedades, es decir, a investigación clínica.
Los pacientes no somo sistemas cerrados en los que podemos controlar cualquier aspecto que interviene con nosotros. Al contrario, la mayoría de veces no tendremos control ninguno sobre los parámetros que nos “definen”. Y utilizar un enfoque basado en lo que aprendimos en la teoría que nos enseñaron en clase suele dar resultados insatisfactorios.
La primera cosa que aprendí con respecto a esto fue que las variables clínicas no siguen una distribución normal. Cuando empecé en este mundo, yo pensaba que sí. Es lo que me habían dicho en teoría: las variables biológicas siguen todas una distribución normal. Pues no es el caso. De hecho, creo que solo en dos ocasiones me he encontrado con datos que así era.
La segunda fue que, aunque las variables no siguiesen una distribución normal, podían considerarse como tal si la n era eleva (más de 30). Así, podríamos utilizar todos los test paramétricos que tuviésemos a nuestro alcance. Supongo que esta premisa es real, después de todo, existe un teorema que se basa en este principio (ver aquí). Pero tampoco le hago caso.
Muchas veces he indicado mi reticencia a aplicar test paramétricos en mis estudios (no os dejo enlaces, repasad el blog porque hay muchos ejemplos). Casi siempre, los test no paramétricos describen mejor las diferencias que existen en los datos de los estudios, independientemente de si estos siguen una distribución normal o no, e independientemente de si existen valores que puedan interferir de forma negativa en esas diferencias.
Y la última que quiero tratar es el hecho de las medidas emparejadas o independientes. Aquí no voy a decir que da igual utilizar un enfoque u otro. Si tus datos son medidas emparejadas, tu forma de analizar se tiene que basar en análisis de muestras emparejadas. Y si tus datos son medidas independientes, hay que utilizar test para muestras independientes. No obstante sí quiero hacer notar que tampoco debemos volvernos unos fanáticos intransigentes si vemos algún caso que no actúa así.
La gráfica que muestro abajo pertenece a la distribución de una variable cuantitativa que se midió dos veces en los individuos que formaron parte del estudio. Una, antes de aplicar una medida. Y la otra, después. Por tanto, nos encontraríamos ante un caso de muestras emparejadas. Al aplicar el test bioestadístico adecuado, se encontraron diferencias significativas. Por tanto, la medida afectaba al valor de la variable. Ahora bien, ¿qué ocurriría si hubiese optado por una enfoque de medidas independientes? Pues, como también podéis comprobar en la misma gráfica, la conclusión hubiese sido exactamente la misma.
La gráfica muestra dos p-valor, uno para cada test aplicado. El primero de ellos pertenece a un test de Wilcoxon, que se utiliza cuando los datos pertenecen a muestras emparejadas. El segundo, a un test de Mann-Whitney para muestras independientes. Y, como se puede observar, se obtienen las mismas conclusiones, pues el p-valor es el mismo.
Así que no seamos tan intransigentes. Siempre que se consiga explicar las diferencias de los datos y se justifique la metodología utilizada desde un punto de vista lógico, lo que debería primar es la conclusión a la que se llega.