Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico <\/p>\n
Un equipo de investigadores revela una serie de sesgos en la investigaci\u00f3n epid\u00e9mica, que van desde los ensayos cl\u00ednicos hasta la recopilaci\u00f3n de datos. y ofrece un enfoque de teor\u00eda de juegos para abordarlos, en un nuevo an\u00e1lisis. El trabajo arroja nueva luz sobre las trampas asociadas con el desarrollo y la implementaci\u00f3n de tecnolog\u00eda para combatir crisis globales como la COVID-19, con una mirada hacia futuros escenarios pand\u00e9micos. <\/p>\n
\u00abIncluso hoy, los m\u00e9todos emp\u00edricos utilizados por los investigadores de epidemias adolecen de defectos en el dise\u00f1o y la ejecuci\u00f3n\u00bb, explica Bud Mishra, profesor del Instituto Courant de Ciencias Matem\u00e1ticas de la Universidad de Nueva York y autor principal del art\u00edculo, que aparece en la revista Tecnolog\u00eda e Innovaci\u00f3n. \u00abEn nuestro trabajo, sacamos a la luz las trampas comunes, pero notablemente pasadas por alto, que plagan las metodolog\u00edas de investigaci\u00f3n e presentamos una herramienta de simulaci\u00f3n que creemos que puede mejorar la toma de decisiones metodol\u00f3gicas\u00bb.<\/p>\n
Incluso en una era en la que las vacunas pueden ser desarrollado con \u00e9xito en cuesti\u00f3n de meses, combatiendo las aflicciones de formas inimaginables en siglos anteriores, los cient\u00edficos a\u00fan pueden verse obstaculizados sin saberlo por fallas en sus m\u00e9todos.<\/p>\n
En el art\u00edculo, Mishra y sus coautores, Inavamsi Enaganti y Nivedita Ganesh, estudiantes graduados en inform\u00e1tica de la Universidad de Nueva York, exploran algunas paradojas, falacias y sesgos est\u00e1ndar en el contexto de la formulaci\u00f3n de hip\u00f3tesis y muestran c\u00f3mo son relevantes para el trabajo destinado a abordar epidemias. Estos incluyen la paradoja de Grue, la paradoja de Simpson y el sesgo de confirmaci\u00f3n, entre otros:<\/p>\n
La paradoja de Grue<\/p>\n
Los autores se\u00f1alan que la investigaci\u00f3n a menudo se ha visto obstaculizada por errores relacionados con el razonamiento inductivo, cayendo bajo lo que se conoce como la paradoja de Grue. Por ejemplo, si todas las esmeraldas observadas durante un per\u00edodo determinado son verdes, entonces todas las esmeraldas deben ser verdes. Sin embargo, si definimos \u00abgrue\u00bb como la propiedad de ser verde hasta cierto per\u00edodo de tiempo y luego azul, la evidencia inductiva respalda la conclusi\u00f3n de que todas las esmeraldas son \u00abgrue\u00bb y respalda la conclusi\u00f3n de que todas las esmeraldas son verdes, lo que impide que una de llegar a una conclusi\u00f3n definitiva sobre el color de las esmeraldas.<\/p>\n
\u00abAl construir y comparar hip\u00f3tesis en el contexto de epidemias, es vital identificar la dependencia temporal del predicado\u00bb, escriben los autores. Estos incluyen hip\u00f3tesis sobre la mutaci\u00f3n de un virus, la inducci\u00f3n de inmunidad colectiva u ondas recurrentes de infecci\u00f3n.<\/p>\n
La paradoja de Simpson<\/p>\n
\u00abLa paradoja de Simpson es un fen\u00f3meno en el que las tendencias que se observan en los datos cuando se estratifican en diferentes grupos, se invierten cuando se combinan\u00bb, escriben los autores. \u00abEste efecto tiene una presencia generalizada en la literatura acad\u00e9mica y notoriamente pervierte la verdad\u00bb.<\/p>\n
Por ejemplo, si en un ensayo cl\u00ednico 100 sujetos se someten al Tratamiento 1 y 100 sujetos se someten al Tratamiento 2 con tasas de \u00e9xito del 40 por ciento y 37 por ciento, respectivamente, uno asumir\u00eda que el Tratamiento 1 es m\u00e1s efectivo. Sin embargo, si divide estos datos por marcadores gen\u00e9ticos, digamos, Marcador gen\u00e9tico A y Marcador gen\u00e9tico B, la eficacia de los tratamientos puede arrojar resultados diferentes. Por ejemplo, el tratamiento 1 puede parecer superior cuando observa una poblaci\u00f3n agregada, pero su valor puede disminuir para ciertos subgrupos.<\/p>\n
Sesgo de confirmaci\u00f3n<\/p>\n
El ampliamente conocido sesgo de confirmaci\u00f3n, o la tendencia buscar y recordar datos con mayor \u00e9nfasis cuando respalda la hip\u00f3tesis de un investigador, tambi\u00e9n afecta la investigaci\u00f3n epid\u00e9mica, se\u00f1alan los autores. <\/p>\n
\u00abEste fen\u00f3meno ya se puede ver en el contexto de COVID-19 en la clasificaci\u00f3n selectiva de datos para pintar una imagen que respalde la creencia popular\u00bb, escriben. \u00abPor ejemplo, se ha dado m\u00e1s peso a la evidencia que respalda que los pa\u00edses que practican un confinamiento estricto y el distanciamiento social mejoran la salud p\u00fablica que a la evidencia que sugiere que los pa\u00edses que relajan sus medidas tienen una reducci\u00f3n similar en sus casos. Adem\u00e1s, otras variables que podr\u00edan ser tan influyentes como el confinamiento, pero son contextuales y variados para diferentes geograf\u00edas, podr\u00edan haberse ignorado, como la densidad de poblaci\u00f3n o el historial de vacunaci\u00f3n\u00bb.<\/p>\n
Al abordar estos desaf\u00edos metodol\u00f3gicos, el equipo cre\u00f3 una plataforma de simulaci\u00f3n de epidemias de c\u00f3digo abierto (Episimmer) que busca brindar apoyo a la toma de decisiones para ayudar a responder las preguntas de los usuarios relacionadas con las pol\u00edticas y restricciones durante una epidemia. <\/p>\n
Episimmer, que los investigadores probaron en varias emergencias de salud p\u00fablica simuladas, realiza an\u00e1lisis \u00abcontrafactuales\u00bb, midiendo lo que le habr\u00eda sucedido a un ecosistema en ausencia de intervenciones y pol\u00edticas, lo que ayuda a los usuarios a descubrir y perfeccionar la oportunidades y optimizaciones que podr\u00edan hacer a sus estrategias COVID-19 (Nota: el paquete python de la plataforma est\u00e1 disponible en esta p\u00e1gina). Estos podr\u00edan incluir decisiones como \u00ab\u00bfQu\u00e9 d\u00edas ser remoto o presencial\u00bb para escuelas y lugares de trabajo, as\u00ed como \u00ab\u00bfQu\u00e9 rutina de vacunaci\u00f3n es m\u00e1s eficiente dados los patrones de interacci\u00f3n locales?\u00bb<\/p>\n
\u00abAnte una r\u00e1pida virus en evoluci\u00f3n, los inventores deben experimentar, iterar e implementar soluciones creativas y efectivas mientras evitan las trampas que plagan los ensayos cl\u00ednicos y el trabajo relacionado\u00bb, dice Enaganti. <\/p>\n
Explore m\u00e1s<\/p>\n
En las manos equivocadas, las estad\u00edsticas de vacunaci\u00f3n pueden resultar mortales. La paradoja de Simpson muestra por qu\u00e9 M\u00e1s informaci\u00f3n:<\/strong> Inavamsi Enaganti et al, Invenciones de intervenciones: estrategias basadas en datos en investigaci\u00f3n y control de pandemias, tecnolog\u00eda e innovaci\u00f3n (2022). DOI: 10.21300\/22.2.2021.12. www.ingentaconnect.com\/content … 22\/00000002\/art00012 Proporcionado por la Universidad de Nueva York Cita<\/strong>: Los investigadores describen el sesgo en la investigaci\u00f3n epid\u00e9mica y ofrecen una nueva herramienta de simulaci\u00f3n para guiar el trabajo futuro (2022, 31 de marzo) consultado el 29 de agosto de 2022 en https:\/\/ medicalxpress.com\/news\/2022-03-outline-bias-epidemic-simulation-tool.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico Un equipo de investigadores revela una serie de sesgos en la investigaci\u00f3n epid\u00e9mica, que van desde los ensayos cl\u00ednicos hasta la recopilaci\u00f3n de datos. y ofrece un enfoque de teor\u00eda de juegos para abordarlos, en un nuevo an\u00e1lisis. El trabajo arroja nueva luz sobre las trampas asociadas con el desarrollo y … Continuar leyendo \u00abLos investigadores describen el sesgo en la investigaci\u00f3n epid\u00e9mica y ofrecen una nueva herramienta de simulaci\u00f3n para guiar el trabajo futuro\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-9449","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/9449","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=9449"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/9449\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=9449"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=9449"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=9449"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}