Видео

ASReview es muy útil para la fase de selección de la evidencia en revisiones de literatura, mira los otros videos que tengo en mi canal en la lista de reproducción de ASreview para que tengas una mayor perspectiva de la herramienta y la aplicación en investigaciones reales.

@@ElprofeTocora Esto deberían enseñarselo a uno desde el primer semestre de pregrado, no es necesario el sufrimiento para investigar jajajajaaj ❤❤💕💕

Espero que te haya sido de utilidad.

Gracias por ver el vídeo. Apoyame compartiendo a quien pueda servir.

Muchas gracias por ver el contenido de mi canal. Por favor apoyeme compartiendo a epidemiólogos y salubristas en formación, o en general, a estudiantes que les pueda interesar.

Muchas gracias, la revisaré

Muchas gracias

Se recomienda que sea máximo del 5%

Una forma de asegurar que los casos y controles sean lo más homogéneos posible es emparejarlos en función de ciertas características. Este emparejamiento será más efectivo si las variables seleccionadas están relacionadas con el resultado de interés. Por ejemplo, en un estudio sobre el impacto del tabaquismo en el desarrollo de cáncer de pulmón, los casos de cáncer de pulmón pueden emparejarse con controles del mismo sexo y nivel de exposición a contaminantes ambientales. Dado que ambos factores son importantes para el riesgo de desarrollar cáncer de pulmón, sus efectos se eliminan de la asociación, permitiendo que las diferencias observadas sean más probablemente atribuibles al tabaquismo. Ventajas: Aumenta la eficiencia al reducir la variabilidad confundente entre casos y controles, lo que permite una mejor detección de asociaciones verdaderas. Ayuda a controlar factores de confusión conocidos y desconocidos, lo que mejora la precisión de las estimaciones de riesgo. Permite la comparación entre grupos más homogéneos, lo que facilita la identificación de diferencias significativas entre casos y controles. Proporciona mayor validez interna al reducir la probabilidad de sesgos y mejorar el control de la confusión. Desventajas: Desde el punto de vista de la factibilidad, puede ser más laborioso y, en algunos casos, logísticamente imposible, especialmente si los criterios de emparejamiento son muy específicos. Las variables utilizadas para emparejar los casos y controles no pueden ser analizadas posteriormente como posibles predictores o covariables en los modelos ajustados. Bibliografia. www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S2308-05312020000100138 cv.uoc.edu/UOC/a/moduls/90/90_166d/web/main/m4/23b.html www5.uva.es/guia_docente/backup/2014/478/46269/1/kk/Documento35.pdf

Muchas Gracias 😊❤

Y profe se pueden laboriar muestras en estos casos y controles con margen de error de 10% o siempre tienen que ser del 5%

Se recomienda que la confianza sea del 95% , es decir un alfa de 0,05. O incluso mayor confianza, superior a 95%, pero no menor, pues incrementa el alfa

Con mucho gusto. Me alegra que haya sido claro. Sería de gran ayuda compartiendo a quienes pueda interesar.

Con gusto. Si tiene alguna pregunta no dude en contactarme.

Dale un vistazo y dime si tienes alguna pregunta o quisieras aprender algo concreto. Comparte a quienes pueda interesar.

@@ElprofeTocora Sí, qué limites tienen estas herramientas en su uso?, me encuentro desarrollando mi tesis y son más o menos 50 documentos un poco más?, cuando se hace necesario pagar? *Matriz bibliográfica - Marco teórico*♥♥

Estas herramientas tienen un límite cuando se usan de forma gratuita. Muy rápido se acaban los créditos. Despues de explorarlas y usarlas, si se van a utilizar de manera frecuente recomiendo ampliar el plan.

@@ElprofeTocora Muchas gracias, tu canal es excelente, te auguro muchos éxitos. Gracias! ♥♥

Muchas gracias. Auguro lo mismo para ti

Muchas gracias por ver el vídeo. Seguro lo haré 😃

Con gusto.

Nuevamente gracias por su interés en el tema querido Ramsés. Siguiendo el hilo de su pregunta anterior, pediría que complemente la lectura con este articulo cientifico: Martinez, B. A. F., Leotti, V. B., Silva, G. D. S. E., Nunes, L. N., Machado, G., & Corbellini, L. G. (2017). Odds ratio or prevalence ratio? An overview of reported statistical methods and appropriateness of interpretations in cross-sectional studies with dichotomous outcomes in veterinary medicine. Frontiers in veterinary science, 4, 193. www.frontiersin.org/articles/10.3389/fvets.2017.00193/full

Gracias por sus preguntas tan interesantes querido Ramses. Si es distinto el calculo entre RP y OR (que en el contexto de estudios de corte transversal algunos autores lo denominan ORP, OR de prevalencia). Comparto este artículo cientifico que aportará en la resolución de su pregunta: Tamhane, A. R., Westfall, A. O., Burkholder, G. A., & Cutter, G. R. (2016). Prevalence odds ratio versus prevalence ratio: choice comes with consequences. Statistics in medicine, 35(30), 5730-5735. www.ncbi.nlm.nih.gov/pmc/articles/PMC5135596/#:~:text=Odds%20ratio%20(OR)%20and%20risk,ratio%20(PR)%20is%20calculated.

Con mucho gusto. Me alegra que haya sido claro. Sería de gran ayuda compartiendo a quienes pueda interesar.

Querido Ramses. Redelings, Sorvillo, Smith y Greenland (2012) nos mencionan que los informes de salud pública a veces omiten los intervalos de confianza al presentar datos poblacionales, argumentando que son medidas y no estimaciones. Sin embargo, los autores discrepan, destacando que para dirigir intervenciones a áreas con altas tasas de enfermedad, es esencial considerar las fluctuaciones aleatorias a lo largo del tiempo. Por tanto, recomiendan informar sobre estimaciones de intervalos incluso al observar a toda la población, ya que las fluctuaciones aleatorias pueden ser significativas incluso con un gran número de casos. En la práctica de la salud pública, los intervalos de confianza indican la incertidumbre en las estimaciones debido a errores aleatorios y son valiosos para abordar con precaución preguntas sobre tendencias y la situación futura de las poblaciones. Realizando una traduccion y citacion directa de las conclusiones de los autores en ese artículo: "Nuestro punto aquí, sin embargo, ha sido explicar por qué, en la gran mayoría de los contextos, al menos se necesitan intervalos de confianza incluso cuando se ha capturado toda una población en un estudio. La justificación para la vigilancia e informe es hacer proyecciones hacia eventos futuros y posiblemente actuar sobre esas proyecciones. En consecuencia, los intervalos de confianza representan una contabilidad mínima de la incertidumbre que está presente incluso en situaciones ideales: Incertidumbre debido al error aleatorio." Acá dejo la referencia del artículo: Matthew, D., Redelings., Frank, Sorvillo., Lisa, V., Smith., Sander, Greenland. Why Confidence Intervals Should be Used in Reporting Studies of Complete Populations. The Open Public Health Journal, (2012).;5(1):52-54. doi: 10.2174/1874944501205010052 Enlace: chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/openpublichealthjournal.com/contents/volumes/V5/TOPHJ-5-52/TOPHJ-5-52.pdf

Querido Ramses. La estimación de parámetros poblacionales incluye dos tipos: estimación puntual e intervalo de confianza (CI). Se calcula la estimación puntual desde una muestra para medias y proporciones no sesgadas. El CI proporciona un rango de valores probables para el parámetro poblacional basado en la estimación puntual, nivel de confianza (comúnmente 95%), y variabilidad muestral. Un CI del 95% implica que en 100 muestras, aproximadamente 95 contendrán el verdadero valor medio. Representa el rango probable del parámetro, no su variabilidad, reflejando la cantidad de error aleatorio en la muestra. Es el rango de valores probables del parámetro con un nivel de confianza especificado. Generar un CI del 95% para una media poblacional implica un 95% de probabilidad de contener la verdadera media, expresado como P([media de la muestra] - margen de error < μ < [media de la muestra] + margen de error) = 0.95. Un profe mio decia cuando nos enseñaba epidemiología: "Un intervalo de confianza no se le niega a nadie", entre otras cosas, su argumento era que calcular el intervalo de confianza para la prevalencia en un estudio de base poblacional es importante porque proporciona una estimación más completa y realista de la verdadera prevalencia en la población. Esto ayuda a tener en cuenta la variabilidad inherente a las muestras y brinda mayor confianza en la generalización de los resultados. No calcular un intervalo de confianza podría llevar a conclusiones erróneas, ya que la prevalencia observada en la muestra podría no representar con precisión la prevalencia real en la población. Un intervalo de confianza ofrece un rango plausible de valores, lo que refleja la incertidumbre asociada con la estimación de la prevalencia. De allí que calcular un intervalo de confianza ayuda a considerar la variabilidad y proporciona una medida de la certeza en torno a la prevalencia estimada, lo que mejora la interpretación y validez de los resultados en estudios de prevalencia de base poblacional. Bibliografía: sphweb.bumc.bu.edu/otlt/mph-modules/bs/bs704_confidence_intervals/bs704_confidence_intervals_print.html

Hola Ramsés. Se recomienda particularizar la estrategia de búsqueda para cada buscador o base de datos. Se verifican los términos controlados a incluir y se ajusta la estrategia de acuerdo con la interfaz de usuario de cada buscador. En el caso concreto de Pubmed y Scopus, no se recomienda copiar y pegar la sentencia de búsqueda de la primera a la segunda base de datos , sino ajustarla según la interfaz de Scopus. Recuerde que también debe incluirse entre comillas los términos compuestos. Me cuenta si requiere apoyo adicional.

En próximos días mostraré la implementación de ASReview en investigaciones científicas recientes.

Espero que le haya sido de utilidad. Cualquier pregunta no dude en realizarla y haré lo posible por brindar orientación.

Si es posible. En un próximo video lo puedo explicar. Un saludo.

Así es. Muchas herramientas que facilitan el proceso y mejoran la eficiencia.

Con gusto. En próximos videos mostraré en detalle algunas de esas herramientas que he venido utilizando.

Excelente. Me alegro mucho. Me cuenta si necesita soporte adicional.

Gracias por el interés. En un futuro haré un vídeo sobre la epidemia global.

Gracias por el interés en el video, espero le haya sido de utilidad para su búsqueda.

Gracias a usted por el interés en el conocimiento.

Está el tema " Anterior cruciate ligament injuries" . Ojalá le sirva. Explorelo y me cuenta.

Busque también el tema SHOULDER AND ARM INJURIES

Con mucho gusto

Con mucho gusto.

Con mucho gusto

Hola, muchas gracias

Gracias por el interés y por la pregunta. En el contexto de estudios de casos y controles, los términos "emparejar", "equiparar" y "parear" se utilizan para describir diferentes enfoques relacionados con la selección y comparación de casos y controles.: - Emparejar: El emparejamiento implica la selección de casos y controles de manera que tengan características similares o correspondientes en un conjunto de variables de interés. Se selecciona un caso y luego se busca un control con características similares en esas variables. Esto puede incluir factores como la edad, el sexo, la ubicación geográfica, el nivel socioeconómico u otras características relevantes. El objetivo del emparejamiento es reducir la variabilidad en las características de los casos y controles para poder aislar y evaluar mejor el efecto de la variable de interés, como una exposición o un tratamiento. - Equiparar: Equiparar implica ajustar los grupos de casos y controles para que sean comparables en términos de una o varias características específicas, generalmente a través de técnicas estadísticas. Este enfoque se utiliza cuando no es posible encontrar un control idéntico para cada caso o cuando el emparejamiento exacto es difícil de lograr. Se pueden usar métodos estadísticos, como el análisis de covariables o la estratificación, para igualar las distribuciones de las características de los casos y controles. - Parear: El término "parear" se utiliza a menudo de manera intercambiable con "emparejar". Sin embargo, en algunos contextos, puede referirse a la acción específica de seleccionar un control que sea comparable a un caso en una o más características particulares. En este sentido, "parear" se asocia con el proceso de emparejamiento individual de casos y controles en un estudio.

@@ElprofeTocora gracias, en mi caso quiero parear pero para un estudio observacional, podria hacerlo asi, como en el video?

En los estudios de casos y controles y en los estudios de cohorte en los que se busca comparabilidad de los grupos se recomienda emparejar/parear ya sea mediante la tecnica de coincidencia de caso control que explico en el video, o con puntajes de propensión (propensity score matching)