A framework for classifying and visualising experimental designs when subjects are measured repeatedly
Este artículo aborda la confusión que rodea a las medidas repetidas en la investigación experimental mediante la definición de características clave del diseño basadas en las unidades experimentales, la frecuencia de medición y las estrategias de aleatorización para establecer un marco para clasificar y visualizar dichos diseños utilizando diagramas de Hasse.
Artículo original dedicado al dominio público bajo CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina que eres un detective intentando resolver un misterio, pero en lugar de buscar pistas en la escena de un crimen, buscas respuestas en el comportamiento de seres vivos: personas, perros o incluso células diminutas. En el mundo de la ciencia, los investigadores suelen realizar experimentos para ver cómo diferentes elementos, como un nuevo medicamento o una rutina de entrenamiento específica, afectan a estos sujetos. Pero aquí está la parte complicada: a veces, no solo revisan al sujeto una vez y siguen adelante. Podrían revisarlo cinco veces al día, o darles tres tratamientos diferentes seguidos, o incluso tomar tres pequeñas muestras de la misma extracción de sangre. Esto es lo que los científicos llaman "medidas repetidas".
Piensa en esto como probar una sopa. Si tomas una cucharada, esa es una medida única. Pero si tomas una cucharada cada diez minutos para ver cómo cambia el sabor mientras hierve, o si pruebas con tres cucharas diferentes para asegurarte de que no te lo estás imaginando, estás realizando "medidas repetidas". El problema es que los científicos han estado usando la misma etiqueta, "diseño de medidas repetidas", para todos estos diferentes escenarios, a pesar de que en realidad son muy distintos. Es como llamar a una bicicleta, un monopatín y un monociclo "vehículos con ruedas". Todos tienen ruedas, pero se conducen de forma diferente, y si intentas montar un monociclo como si fuera una bicicleta, podrías caerte. En la ciencia, si analizas tus datos de la forma incorrecta porque malinterpretaste el diseño, tus conclusiones podrían estar completamente erradas, lo que llevaría a consejos médicos erróneos o investigación desperdiciada.
Este artículo, escrito por Damianos Michaelides y Simon T. Bate, es como un nuevo manual de instrucciones que finalmente ordena la confusión. Los autores notaron que la gente estaba mezclando diferentes tipos de experimentos donde los sujetos son medidos más de una vez, y esto estaba causando errores en la forma en que se analizaban los datos. Ellos proponen un marco claro para clasificar estos diseños basándose en tres preguntas simples: ¿Quién es el personaje principal (la unidad experimental)? ¿Estamos revisando a ese personaje una y otra vez? Y lo más importante, ¿cómo decidimos quién recibe qué tratamiento (la estrategia de aleatorización)?
En lugar de solo enumerar reglas, los autores introducen una herramienta visual llamada "diagrama de Hasse". Imagina un árbol genealógico, pero en lugar de mostrar quién está relacionado con quién, muestra cómo están conectados los diferentes componentes de un experimento y cómo se asignaron los tratamientos. Al dibujar estos diagramos, los autores muestran que lo que parece un montón desordenado de mediciones repetidas puede, en realidad, clasificarse en seis categorías distintas: medidas repetidas estándar, diseños intra-sujeto, diseños de bloques, diseños de parcelas divididas (split-plot), diseños de cruce (cross-over) y diseños anidados.
El artículo sostiene que no puedes simplemente poner una etiqueta genérica de "medidas repetidas" a cualquier experimento donde alguien sea medido dos veces. Por ejemplo, si un perro recibe una pastilla cada día en un orden específico que no se puede cambiar, ese es un diseño "intra-sujeto" donde el orden importa. Pero si un humano recibe una pastilla, y luego el orden de las pastillas se mezcla aleatoriamente para cada persona, ese es un diseño de "bloque". Los autores demuestran que tratar estos dos escenarios diferentes como si fueran lo mismo es un error. Demuestran que, al identificar correctamente en cuál de las seis categorías encaja tu experimento, puedes construir el modelo matemático adecuado para analizar los datos.
El artículo no pretende haber descubierto un nuevo tipo de medicina o una nueva ley de la física. En cambio, ofrece una mejor manera de organizar las herramientas que los científicos ya utilizan. Sugiere que, al usar estas características específicas y los diagramas de Hasse visuales, los investigadores pueden evitar la trampa de usar métodos estadísticos incorrectos. Los autores demuestran a través de varios ejemplos —desde ensayos clínicos con humanos hasta estudios con conejos y perros— que cuando se acierta con la clasificación, se obtiene la respuesta correcta. No dicen que esto solucione todos los problemas en la ciencia, pero sí sugieren que aclara mucha de la confusión que conduce a resultados engañosos. En resumen, les están entregando a los investigadores un mejor mapa para que no se pierdan en el bosque de sus propios datos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.