medigraphic.com
Federación Mexicana de Ginecología y Obstetricia, A.C.

2022, Número 01

<< Anterior

Ginecol Obstet Mex 2022; 90 (01)


Comentario y respuesta al artículo: 'Comparación de cuatro tablas de crecimiento fetal para la predicción de desenlaces perinatales adversos en un hospital de tercer nivel de México'

Oviedo-Cruz H, Carrasco-Blancas ER, Cortes-Martínez MA

Idioma: Español
Referencias bibliográficas: 17
Paginas: 115-118
Archivo PDF: 164.53 Kb.


FRAGMENTO

Sr. Editor:

El trabajo de Mendoza-Carrera et al es único y valioso porque describe el rendimiento de cuatro curvas de crecimiento fetal para predecir eventos perinatales adversos en una población mexicana; hecho sin precedentes. Sin embargo, no se realizó la comparación estadística entre los indicadores de rendimiento de las pruebas. De acuerdo con el objetivo del estudio, “comparar el rendimiento”, esta es una deficiencia metodológica que afecta la conclusión por privarle de sustento formal.
El desempeño de las pruebas de predicción se evalúa de forma similar al de las pruebas diagnósticas.2 Para comparar el desempeño entre dos pruebas diagnósticas en el mismo grupo de pacientes, el análisis estadístico puede basarse en la diferencia entre las sensibilidades y especificidades o en la comparación pareada de las áreas bajo las curvas de característica de receptor-operador (AUC-ROC).


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Mendoza-Carrera CE, Acevedo-Gallegos S, M. L-M, Gallardo-Gaona JM and Copado-Mendoza DY. Comparación de cuatro tablas de crecimiento fetal para la predicción de desenlaces perinatales adversos en un hospital de tercer nivel de México. Ginecol Obstet México 2021;89:704-714.https://doi.org/10.24245/gom.v89i9.5817

  2. Steyerberg EW, Vickers AJ, Cook NR, Gerds T, Gonen M, et al. Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiology 2010;21:128-38.https://doi.org/10.1097/EDE.0b013e3181c30fb2

  3. Hawass NE. Comparing the sensitivities and specificities of two diagnostic procedures performed on the same group of patients. Br J Radiol 1997;70:360-6.https://doi.org/10.1259/bjr.70.832.9166071

  4. Bandos AI, Rockette HE and Gur D. A conditional nonparametric test for comparing two areas under the ROC curves from a paired design. Acad Radiol 2005;12:291-7.https://doi.org/10.1016/j.acra.2004.08.013

  5. Kim S and Lee W. Does McNemar's test compare the sensitivities and specificities of two diagnostic tests? Stat Methods Med Res 2017;26:142-154.https://doi.org/10.1177/0962280214541852

  6. Trajman A and Luiz RR. McNemar chi2 test revisited: comparing sensitivity and specificity of diagnostic examinations. Scand J Clin Lab Invest 2008;68:77-80.https://doi.org/10.1080/00365510701666031

  7. Yu Q, Tang W, Ma Y, Gamble SA and Tu XM. Comparing Multiple Sensitivities and Specificities with Different Diagnostic Criteria: Applications to Sexual Abuse and Sexual Health Research. Comput Stat Data Anal 2008;53:27-37.https://doi.org/10.1016/j.csda.2008.05.031

  8. Hanley JA and McNeil BJ. A method of comparing the areas under receiver operating characteristic curves derived from the same cases. Radiology 1983;148:839-43.https://doi.org/10.1148/radiology.148.3.6878708

  9. Bandos AI, Rockette HE and Gur D. A permutation test for comparing ROC curves in multireader studies a multi-reader ROC, permutation test. Acad Radiol 2006;13:414-20.https://doi.org/10.1016/j.acra.2005.12.012

  10. Tang L, Du P and Wu C. Compare diagnostic tests using transformation-invariant smoothed ROC curves(). J Stat Plan Inference 2010;140:3540-3551.https://doi.org/10.1016/j.jspi.2010.05.026

  11. Blanche P, Dartigues JF and Riou J. A closed max-t test for multiple comparisons of areas under the ROC curve. Biometrics 2020;https://doi.org/10.1111/biom.13401

  12. Vergara IA, Norambuena T, Ferrada E, Slater AW and Melo F. StAR: a simple tool for the statistical comparison of ROC curves. BMC Bioinformatics 2008;9:265.https://doi.org/10.1186/1471-2105-9-265

  13. Robin X, Turck N, Hainard A, Tiberti N, Lisacek F, et al. pROC: an open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics 2011;12:77.https://doi.org/10.1186/1471-2105-12-77

  14. Novoselova N, Della Beffa C, Wang J, Li J, Pessler F, et al. HUM calculator and HUM package for R: easy-to-use software tools for multicategory receiver operating characteristic analysis. Bioinformatics 2014;30:1635-6.https://doi.org/10.1093/bioinformatics/btu086

  15. Zou GY and Yue L. Using confidence intervals to compare several correlated areas under the receiver operating characteristic curves. Stat Med 2013;32:5077-5090.https://doi.org/10.1002/sim.5889

  16. von Elm E, Altman DG, Egger M, Pocock SJ, Gotzsche PC, et al. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. J Clin Epidemiol 2008;61:344-9.https://doi.org/10.1016/j.jclinepi.2007.11.008

  17. Hajian-Tilaki K. Sample size estimation in diagnostic test studies of biomedical informatics. J Biomed Inform 2014;48:193-204.https://doi.org/10.1016/j.jbi.2014.02.013




2020     |     www.medigraphic.com