Investigación clínica Regresión Logística Modelos de regresión Bioestadistica Estadística inferencial Metodología de la investigación Medicina Investigación Médica

1. 19. Regresión logística
INVESTIGACIÓN CLÍNICA
UNIVERSIDAD AUTÓNOMA DE CIUDAD JUÁREZ

2. Regresión Logística
 La variable dependiente (Y) tiene
2 valores (dicotómica)
 Ausencia / presencia
 Mutuamente excluyente
 Las variables independientes (X) o
predictoras son:
 Continuas (edad)
 Ordinales (estadios)
 Dicotómicas (si/no)
 Este modelo busca explicar o predecir la
probabilidad de que ocurra o no un
evento
 Modelo multivariado
Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7

3. Regresión Logística

4. Condiciones
 Las variables no aleatorias X (fijas) son
posibles predictoras de Y
 La relación de las variables debe ser
clara y permitir que se establezcan los
factores de riesgo
 Es importante que no se deben utilizar
variables en los casos en los que no se
conoce su relación con la
enfermedad
 Los valores de X (variables fijas) son
independientes
 A La variable dependiente (Y) se le
codifica como 0 o 1
 Odds Ratio . Razón de Momios
 Es el logaritmo de la probabilidad de
que el evento suceda entre la
probabilidad de que no suceda
Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7

5. Condiciones
 Se puede hacer inicialmente
un análisis BIVARIADO para
observar las relaciones
significativas
 El modelo final puede incluir
todas las variables que
demostraron relación con el
resultado (Y)
 Es deseable que cada variable
en el modelo cuente con un
mínimo de 10-20 casos por
cada evento
 Ej., Si tenemos 47 casos de
neumonía en 121 pacientes, no
deberíamos incluir en nuestro
modelo más de 4 variables
(47/10 = 4.7)
Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7

6. Condiciones
 Lo anterior se llama eventos por variable
 Sirve para estabilizar los datos
 En caso de incluir más variables, los datos pueden
volverse inestables y dar resultados falsos
Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7

7. Pasos
 1er paso – hacer una análisis
bivariado con cada una de las
posibles variables involucradas
 Las variables dicotómicas se
contrastan con Chi cuadrada
 Las variables continuas se
contrastan con t de Student
 La medida de asociación es
OR (Exp[β])
 IC 95% (valor mínimo y
máximo)
 Una vez identificadas las
variables que se asocian,
haremos el modelo
multivariado (preselección)
 Eliminando las variables sin
relación
 Eliminando las variables con
mayor p-valor
 Se recomienda no eliminar
variables que tengan lógica
biológica (ej., edad) con el fin
de ajustar el modelo
Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7

8. Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7