En búsqueda de una p < 0,05: el problema de las comparaciones múltiples
DOI:
https://doi.org/10.51987/Rev.Hosp.Ital.B.Aires.v46i3.1301Palabras clave:
análisis estadístico, significación estadística, análisis de varianza, investigación clínica, inteligencia artificialResumen
El artículo analiza el papel del azar y la estadística en la investigación médica a partir del concepto de significación estadística y el valor de p. Si bien la aleatorización en los ensayos clínicos permite controlar el azar, el riesgo de obtener resultados falsamente positivos persiste cuando se realizan múltiples comparaciones sin los ajustes estadísticos correspondientes.
Esta problemática se ilustra mediante una analogía con una apuesta ganadora en el casino, en la que se presenta un resultado exitoso sin considerar los intentos fallidos previos, situación comparable al análisis post hoc sin corrección. Se describen distintas estrategias para reducir este sesgo, como la definición a priori de hipótesis y puntos finales, la aplicación de correcciones estadísticas por comparaciones múltiples y la validación de los hallazgos en cohortes independientes. Finalmente, se destaca que la inteligencia artificial tampoco está exenta de este problema si no se aplican criterios estadísticos adecuados.
Descargas
Referencias
Pocock SJ, Stone GW. The primary outcome fails - what next? N Engl J Med. 2016;375(9):861-870. https://doi.org/10.1056/NEJMra1510064. DOI: https://doi.org/10.1056/NEJMra1510064
Sugitani T, Bretz F, Maurer W. A simple and flexible graphical approach for adaptive group-sequential clinical trials. J Biopharm Stat. 2016;26(2):202-216. https://doi.org/10.1080/10543406.2014.972509. DOI: https://doi.org/10.1080/10543406.2014.972509
Freemantle N, Calvert MJ. Interpreting composite outcomes in trials. BMJ. 2010;341:c3529. https://doi.org/10.1136/bmj.c3529. DOI: https://doi.org/10.1136/bmj.c3529
Benjamini Y, Hochberg Y. Controlling the false discovery rate: a practical and powerful approach to multiple testing. J R Stat Soc Ser B Stat Methodol. 1995;57(1):289-300. https://doi.org/10.1111/j.2517-6161.1995.tb02031.x DOI: https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
Bauer P. Multiple testing in clinical trials. Stat Med. 1991;10(6):871-889; discussion 889-890. https://doi.org/10.1002/sim.4780100609. DOI: https://doi.org/10.1002/sim.4780100609
Perneger TV. What's wrong with Bonferroni adjustments. BMJ. 1998;316(7139):1236-1238. https://doi.org/10.1136/bmj.316.7139.1236. DOI: https://doi.org/10.1136/bmj.316.7139.1236
Pocock SJ, Assmann SE, Enos LE, et al. Subgroup analysis, covariate adjustment and baseline comparisons in clinical trial reporting: current practiceand problems. Statist. Med.2002;21:2917-2930. https://doi.org/10.1002/sim.1296 DOI: https://doi.org/10.1002/sim.1296
Bender R, Lange S. Adjusting for multiple testing--when and how? J Clin Epidemiol. 2001;54(4):343-349. https://doi.org/10.1016/s0895-4356(00)00314-0. DOI: https://doi.org/10.1016/S0895-4356(00)00314-0
Ioannidis JPA. Machine learning-based medical prediction: challenges and opportunities. Lancet Digit Health. 2022;4(8):e540–e548.
Mills JL. Data torturing. N Engl J Med. 1993;329(16):1196-1199. https://doi.org/10.1056/NEJM199310143291613. DOI: https://doi.org/10.1056/NEJM199310143291613
Wasserstein RL, Schirm AL, Lazar NA. Moving to a world beyond “p < 0.05”. Am Stat. 2019;73(Suppl 1):1-19. https://doi.org/10.1080/00031305.2019.1583913. DOI: https://doi.org/10.1080/00031305.2019.1583913
Feynman RP. The pleasure of finding things out. Cambridge (MA): Perseus Books;
Descargas
Compartir artículo
Publicado
Número
Sección
Licencia
Derechos de autor 2026 María E. Knorre, Mariano Bergier, Arturo Cagide
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
