Hermano J. Anaesth. 2 de diciembre de 2025: S0007-0912(25)00725-1. Revista: 10.1016/j.bja.2025.09.054. En línea antes de imprimir.
ANTECEDENTES: Los estudios en anestesiología utilizan con frecuencia modelos lineales generalizados para identificar «predictores independientes» cuantitativamente importantes de resultados con distribución logarítmica normal, como los tiempos quirúrgicos y de anestesia. Sin embargo, se desconoce el rendimiento de los procedimientos comunes de comparación múltiple para prevenir errores de tipo I y II para estos problemas.
MÉTODOS: Realizamos simulaciones de Monte Carlo para evaluar métodos para controlar la tasa de error familiar (FWER) y la tasa de descubrimiento falso (FDR). Los conjuntos de datos simulados tuvieron resultados log-normales y tres predictores binarios, con correlación variable entre ellos (independiente, positiva fuerte o negativa moderada). Aplicamos cuatro procedimientos FWER (Bonferroni, Šidák, Holm-Bonferroni y Hochberg) y dos FDR (Benjamini-Hochberg y Benjamini-Yekutieli) a los valores P derivados de los modelos lineales generalizados.
RESULTADOS: Sin ajuste para comparaciones múltiples, el FWER fue grande (12,6-14,8% en lugar del 5,0% [nominal] correcto). Entre los métodos FWER, el ajuste de Bonferroni fue el más preciso, con tasas consistentemente cercanas al nivel nominal del 5,0% en todos los escenarios de correlación (5,2-5,3%). Para el control de FDR, el procedimiento de Benjamini-Yekutieli fue eficaz para predictores independientes y correlacionados negativamente (4,5-5,1%), pero no logró controlar el FDR bajo una fuerte correlación de predictores positivos (6,0-9,5%).
CONCLUSIONES: Cuando se utilizaron modelos lineales generalizados para identificar predictores de resultados log-normales, el enfoque más simple, el ajuste de Bonferroni, proporcionó un control confiable del FWER. El procedimiento Benjamini-Yekutieli es el más adecuado para controlar la FDR, pero nuestros hallazgos muestran que puede ser anticonservador (es decir, poco confiable) cuando los posibles predictores de los tiempos de anestesia están correlacionados positivamente (es decir, precisamente las condiciones que generalmente se cumplirían para estos problemas).
PubMed:41339172 | Revista:10.1016/j.bja.2025.09.054