Píldoras sobre medicina basada en pruebas
Píldoras sobre medicina basada en pruebas
Se reexamina la cognición humana a través del aprendizaje automático, proponiendo el determinismo estocástico como alternativa técnica al libre albedrío. Al equiparar la creatividad con la temperatura de los modelos generativos y el aprendizaje con la minimización del error mediante descenso del gradiente, se concluye que las inteligencias biológica y artificial operan bajo una misma lógica algorítmica fundamental.
Se revisa cómo la confusión no medida puede distorsionar las asociaciones en estudios observacionales y presentan los parámetros para cuantificar este efecto. Se explica cómo el valor E cuantifica la fuerza mínima que debería tener un confundidor no medido para explicar por completo un efecto observado o hacerlo compatible con la ausencia de asociación. Finalmente, se comentan de forma resumida sus extensiones a distintas medidas de efecto y su papel complementario a los valores de p en la lectura crítica.
El análisis de componentes principales (ACP) es una técnica estadística de reducción de dimensionalidad que transforma variables correlacionadas en componentes ortogonales independientes. Su propósito es simplificar estructuras de datos complejas, maximizando la varianza explicada y eliminando la redundancia informativa mediante métodos como la descomposición en valores singulares.
El teorema del límite central afirma que, si tomamos un número suficientemente grande de muestras aleatorias de una misma población y calculamos la media de cada muestra, la distribución de esas medias tenderá a seguir una distribución normal, con independencia de cómo sea la distribución original de los datos. Esto permite la aplicación, con seguridad, de gran parte de los análisis estadísticos, como la estimación de intervalos de confianza y las pruebas de contraste de hipótesis.
Se analiza el problema del desbalance de clases en modelos biomédicos y cómo la precisión global puede resultar inútil cuando la clase minoritaria es la clínicamente relevante. Se explica cuáles son las métricas más adecuadas y se exponen las principales estrategias para abordar el desbalance, como el sobremuestreo (SMOTE, ADASYN), el submuestreo selectivo (pares de Tomek) y métodos de ensamble que estabilizan la precisión en escenarios con baja prevalencia.