Señor Editor:

Las inferencias estadísticas según las pruebas frecuentistas de estimación utilizan un umbral de significancia de alfa=0,05 que refiere que la hipótesis nula tiene un 5 % de probabilidad de ser cierta en valores “p<0,05”, es decir, que hay cierta probabilidad de obtener un valor significativo en ausencia de un efecto verdadero por error y se rechace la hipótesis nula cuando es cierta (falsos positivos; error de tipo I), por lo tanto, se debe evaluar la fuerza probatoria de las hipótesis estadísticas.⁽¹⁾

La estadística bayesiana permite contrastar las hipótesis estadísticas de significancia mediante probabilidades, a priori y posteriori, dados los datos, cuya utilidad es idónea en la investigación clínica a diferencia de las pruebas de significancia estadística que se basan en el rendimiento promedio hipotético al realizar una serie de repeticiones idénticas del estudio. Uno de los métodos más conocidos es el factor Bayes (FB), que estima la probabilidad de una hipótesis en relación con otra, dados los datos (por ejemplo: hipótesis nula vs hipótesis alterna⁽¹⁾ esto permite estimar el peso de la evidencia [10 veces el valor del logaritmo decimal del FB]),⁽²⁾ donde valores mayores a 20 son óptimos para la toma de decisiones clínicas de hallazgos significativos⁽³⁾ dado también que la hipótesis opuesta reporte una evidencia negativa decisiva.

El FB permite validar la credibilidad práctica de hallazgos significativos basados en diversas pruebas estadísticas como t de student, odds ratios, Z test, entre otras^(1,2) así como en las mediciones diagnósticas como el área bajo la curva ROC (AUCROC) (por sus siglas en inglés), debido a que tales estimaciones son convertibles a un tamaño de efecto (TE), por ejemplo, coeficiente de correlacion (r)⁽⁴⁾ para el uso del FB como refiere Ramos-Vera.⁽¹⁾

Otro modelo bayesiano de interés es la prueba A/B bayesiana para contrastar dos eventos clínicos similares considerando la asignación de distribuciones previas y el control de tales datos muestrales ⁽⁵⁾ según la escala logarítmica de razón de probabilidades (logOR<0, logOR>0), idónea para la evaluación simultánea con una distribución normal. El contraste de variación entre ambos grupos proporcionales se representa mediante el FB, esto es útil para diversos estudios que incluyan participantes con y sin el evento clínico de interés, porque permite evaluar, por ejemplo, las tasas de comorbilidad, ingresos, medicación o mortalidad por COVID-19.⁽⁵⁾ Cuya aplicación favorece una mayor precisión de las tasas de diferencia en datos a nivel nacional e internacional, donde se reporten probabilidades más realistas mediante la trasformación del TE bayesiano obtenido: OR a probabilidad = OR/(OR+1) y sus respectivos intervalos. Tales estimaciones permiten determinar cuán probable es realmente que los participantes con el desenlace clínico de interés presenten tal ocurrencia. La aplicación de este método bayesiano es una alternativa para evaluar hipótesis comparativas de investigaciones con datos binarios, siendo idóneo para estudios de casos y controles, esto ha sido recomendado por Bayesian Neurology Group-Texas (BNG-TX).

Para la presente publicación se consideraron los datos reportados de tres estudios de la presente Revista, que presentaron hallazgos significativos. La primera investigación reportó un valor de AUCROC de 0,80 en la predicción del desarrollo de la neumonía asociada al ictus isquémico (NAII).⁽⁶⁾ Cuyo valor fue convertible a tamaño de correlación (r) con una estimación de: r = 0,511. La estimación del FB fue de 12100 que refiere un peso de la evidencia decisivo de 91,04 a favor del hallazgo significativo del AUCROC.

Otro estudio presentó diferencias entre dos grupos de pacientes con y sin enfermedad multivaso que presentaron diagnósticos del síndrome coronario agudo sin elevación del ST (SCASEST) y con elevación del ST (SCACEST).⁽⁷⁾ La otra investigación reportó diferencias en la frecuencia del número de pacientes con diferentes tipos de tumor maligno según sexo.⁽⁸⁾ Tales datos de ambos estudios fueron considerados para la evaluación de la prueba A/B bayesiana para contrastar los desenlaces clínicos respectivos y reportar el valor cuantitativo de evidencia y la probabilidad posterior a favor del grupo de mayor ocurrencia. (Tabla 1).

El desenlace clínico de tener una condición cardiaca comórbida con la EM fue de mayor ocurrencia en el grupo con SCASEST con un peso de la evidencia decisivo de 60,19 y una probabilidad del 74 % de ocurrencia frente al otro suceso no comórbido (logOR<0). Los hallazgos bayesianos de la última investigación respectiva reportaron una mayor incidencia en el evento clinico de presentar un tumor maligno en el esófago y ser varón con un peso cuantitativo de evidencia de 133,30 (decisivo) y una probabilidad de 81 % en contraste al grupo femenino. El grupo masculino con desenlace clínico de tumor maligno en el pulmón presentó un valor de evidencia decisivo de 62,72 y una probabilidad del 65 % de incidencia frente al otro suceso. Ser mujer con tumor maligno en el colon presentó mayor probabilidad de ocurrencia del 61 % frente al grupo de los hombres con tal evento clínico, con un peso de evidencia de 13,47.

La aplicación estadística mediante la prueba A/B bayesiana puede ser muy útil en otras investigaciones relacionadas con la COVID-19^(5,9,10) que pueden reforzar metodológicamente futuras investigaciones de enfermedades crónicas de mayor interés para la presente Revista.

Conflicto de intereses:

El autor declara la no existencia de conflictos de intereses relacionados con el estudio.

Los roles de autoría:

1. Conceptualización: Cristian Antony Ramos Vera.

2. Curación de datos: Cristian Antony Ramos Vera.

3. Análisis formal: Cristian Antony Ramos Vera.

4. Adquisición de fondos: Esta investigación no contó con la adquisición de fondos.

5. Investigación: Cristian Antony Ramos Vera.

6. Metodología: Cristian Antony Ramos Vera.

7. Administración del proyecto: Cristian Antony Ramos Vera.

8. Recursos: Cristian Antony Ramos Vera.

9. Software: Cristian Antony Ramos Vera.

10. Supervisión: Cristian Antony Ramos Vera.

11. Validación: Cristian Antony Ramos Vera.

12. Visualización: Cristian Antony Ramos Vera.

13. Redacción del borrador original: Cristian Antony Ramos Vera.

14. Redacción revisión y edición: Cristian Antony Ramos Vera.