Contacta con Nosotros

Rellena el siguiente formulario y nosotros nos pondremos en contacto contigo en el plazo más breve posible.
Muchas gracias.
Más información en el 950 21 71 71




Solicita tu cita para valoración de Cirugía

  • Corrección de Miopía, Hipermetropía y Astigmatismo
  • Corrección de Vista Cansada
  • Corrección de Cataratas

(7/44) #QvisionIHCConceptosClave: Tener más datos no es necesariamente mejor

abril 15th, 2019 Posted by IHC 0 comments on “(7/44) #QvisionIHCConceptosClave: Tener más datos no es necesariamente mejor”

El séptimo concepto de la serie #QvisionIHCConceptosClave tiene por título: “Tener más datos no es necesariamente mejor”. Cuando se recopilan datos para llevar a cabo estudios científicos se necesitan la mayor cantidad posible, para así poder estimar de forma más precisa la presencia de cualquier sesgo que pueda comprometer los resultados al comparar dos tratamientos.

Pero esta recopilación masiva de información puede ser engañosa. Muchos estudios utilizan información que previamente se ha recogido anteriormente de forma rutinaria en el día a día. Este tipo de datos recibe el nombre de “real world data”. Este hecho hace que se disponga de demasiada información que puede haberse recopilado, en ocasiones, sin tener en cuenta ni controlar todos los factores de confusión que pueden influir en la medida. Aunque, bien es cierto que sólo es posible controlar los factores de confusión que ya se conocen, y el investigadores o el clínico suele llevar a cabo las medidas de la forma más exacta posible, evitando así los posibles sesgos en la toma de datos.

Desafortunadamente, el “real world data” a menudo no incluye datos suficientes para poder concluir con confianza que un resultado obtenido de un tratamiento signifique que el tratamiento causó ese resultado. La diferencia de los datos recogidos de forma rutinaria, a los datos recogidos por un investigador a propósito de un estudio, está en que los primeros, aunque dispongan de una muestra mayor, es decir, de más pacientes medidos, los criterios a la hora de elegir qué datos son válidos y conducen a tener menos sesgos en la medida son más limitados.

Sin embargo, este hecho no significa que recoger datos de forma rutinaria sea menos preciso, ya que por ejemplo el International Consortium for Health Outcomes Measurement Macular Degeneration Standard Set recomienda que se tomen las medidas de agudeza visual, con o sin corrección, en cada visita clínica de forma rutinaria, es decir, mediante “real world data”, en pacientes con Degeneración Macular Asociada a la Edad.(1,2)

Otra ventaja del “real world data” es que, junto con los datos que se extraen del “big data” (datos provenientes de una gran bases de datos), podemos conocer la forma en la que el entorno sanitario toma decisiones que permitan predecir la manera de afrontar los retos actuales que se plantean en el sistema sanitario, de forma que así podamos alcanzar el máximo beneficio en la salud del paciente.

Aunque, los datos del “big data” también pueden conducir a errores, ya que aunque se dispongan de muchísimos datos, puede que estos no consigan contestar a la pregunta de investigación planteada. Esto ocurre debido a que en ocasiones los investigadores le dan más importancia a tener una gran magnitud de datos que a recoger sólo aquellos de los que se pueda sacar una conclusión.(3) Incluso muchos artículos basados en “big data” se publican, y a veces para el lector puede resultar difícil encontrar conclusiones veraces debido a que ese estudio con “big data” ha encontrado varios hallazgos estadísticamente significativos pero clínicamente irrelevantes.(4)

Las recomendaciones hacen alusión a encontrar el equilibrio, es decir, disponer de la mayor información y datos posibles para poder contestar a la pregunta planteada, pero que a su vez esos datos sean relevantes, independientemente de la fuente de recogida de información, es decir, de si provienen de datos recogidos de forma rutinaria (“real world data”) o de grandes bases de datos (“big data”).

En oftalmología existen estudios donde el “big data” ha ayudado a contestar ciertas preguntas de investigación. Coleman (2015) quiso caracterizar la evaluación de la calidad de la atención en oftalmología mediante el uso de “big data”, a la hora de evaluar la calidad y la existencia de eventos adversos en la cirugía de cataratas.(5) Para ello emplearon datos recogidos en el Registro de Investigación Inteligente para la Vista (IRIS) de la Academia Estadounidense de Oftalmología, estudios publicados y archivos de reclamaciones de Medicare de uso público entre los años 2010 y 2013. Este estudio concluyó que el uso de “big data” fue útil para determinar que tras un mes después de la cirugía la agudeza visual era peor a 0,5 sobre 1 en escala decimal; y también fue útil para recoger información sobre la incidencia de complicaciones raras como la endoftalmitis.

Otro ejemplo de cómo el “big data” puede ayudar en oftalmología es el estudio de Lee et al. (2016) en le cuál invita a crear una bases de datos “big data” para poder conocer las causas y manejo de la uveítis, una patología ocular debida a una colección de distintas enfermedades inflamatorias con diversos fenotipos y comúnmente de origen desconocido, en la cuál se desconocen protocolos de diagnóstico y tratamiento debido a las múltiples causas de origen de esta enfermedad.(5)

Como resumen de este concepto, podemos decir que tener una mayor cantidad de datos para obtener respuestas a una pregunta de investigación, independientemente de si estos provienen de una gran base de datos o se han recogido de forma rutinaria en la práctica clínica diaria, a veces nos puede conducir a tener errores a la hora de demostrar que el efecto de un tratamiento, realmente se debe únicamente a ese tratamiento y no a otros motivos de asociación, ya que en estos datos puede haber asociaciones estadísticamente significativas pero clínicamente pueden no aportarnos información o incluso no tener sentido.

Texto realizado por: Alicia Sánchez

Bibliografía:

1. Rodrigues IA et al. Defining a minimum set of standardized patient-centered outcome measures for macular degeneration. Am. J. Ophthalmol. Am J Ophthalmol. 2016;168:1-12.

2. Mehta H et al. Real-world outcomes in patients with neovascular age-related macular degeneration treated with intravitreal vascular endothelial growth factor inhibitors. Prog Retin Eye Res. 2018;65:127-146.

3. Naidus E et al. Big data in healthcare: are we close to it? Rev Bras Ter Intensiva. 2016;28(1):8-10.

4. Murthy SC et al. Research based on big data: The good, the bad, and the ugly. J Thorac Cardiovasc Surg. 2016;151(3):629-630.

5. Coleman AL. How Big Data Informs Us About Cataract Surgery: The LXXII Edward Jackson Memorial Lecture. Am J Ophthalmol. 2015;160(6):1091-1103.e3.

6. Lee CS et al. Big Data and Uveitis. Ophthalmology. 2016;123(11):2273-2275.