Ensayos N de 1 en la práctica
Para mostrarles un ejemplo de esta metodología en la práctica, realizaré mi propio análisis de una selección de datos recopilados de mi correa Whoop del 27 de abril de 2018 al 5 de octubre de 2019. Nuestra pregunta de investigación para este estudio N de 1 es :
¿Beber alcohol provoca problemas de sueño?
Como atleta y epidemiólogo, soy muy consciente de lo perjudicial que puede ser el alcohol para el sueño, el rendimiento deportivo y el bienestar general. Constantemente me han dicho que los atletas no deben beber, sin embargo, una cosa es que te lo digan y otra ver la evidencia por ti mismo. Una vez que comencé a usar mi Whoop, noté cómo mi puntuación de sueño (una métrica calculada por la aplicación Whoop) se vería afectada después de beber alcohol. A veces, incluso un día después, pensaba que todavía podía ver el efecto. Estas observaciones me hicieron querer hacer mi propio análisis, que finalmente puedo completar ahora.
Notas sobre los datos
Las dos variables de interés en nuestro análisis son la puntuación del rendimiento del sueño y el consumo de alcohol. La puntuación del rendimiento del sueño varía de 0 a 100 y es una métrica calculada por la aplicación Whoop a partir de datos biométricos como la frecuencia respiratoria, la duración del sueño ligero, la duración del sueño de ondas lentas y la duración del sueño REM.
La variable consumo de alcohol es la respuesta a la pregunta “¿Tomaste alguna bebida alcohólica ayer?” a eso responden los usuarios de Whoop diariamente al despertarse. Siempre respondí estas preguntas de manera veraz y consistente, aunque nuestros datos están limitados porque la aplicación no pregunta sobre cuánto alcohol se consumió. Esto significa que todos los niveles de consumo de alcohol se tratan por igual, lo que elimina la oportunidad de analizar la relación a un nivel más profundo. Faltaban algunos datos en nuestra función de alcohol, pero esta información faltante se imputó con “No”, ya que sé por experiencia personal que si había bebido la noche anterior, estaba seguro de marcarlo en la aplicación.
Análisis exploratorio de datos
El primer paso en cualquier análisis es realizar un análisis de datos exploratorio (EDA). Esto es solo para tener una idea general de cómo se ven nuestros datos y crear una imagen que ayudará a dirigir nuestra investigación.
En los diagramas de caja anteriores, vemos que la puntuación promedio del sueño parece ser mayor cuando no se consume alcohol y tener una distribución más estrecha. Curiosamente, parece haber más valores atípicos en la puntuación del rendimiento del sueño cuando no se consume alcohol. Quizás los días de viaje y el desfase horario puedan explicar estos valores atípicos, ya que viajé al extranjero cinco veces durante este período de muestra.
Ahora que hemos echado un buen primer vistazo a los datos de interés, es hora de profundizar en el análisis estadístico.
Evaluación de la hipótesis
Para responder a nuestra pregunta de investigación, realizaré pruebas de hipótesis. La prueba de hipótesis es una técnica estadística que nos permite hacer inferencias sobre una población a partir de algunos datos de muestra. En este caso, intentamos inferir si beber alcohol está asociado con dormir mal esa noche. No tenemos datos sobre el consumo de alcohol y el sueño de cada noche que he estado viva, por lo que estudiamos nuestros datos de muestra como sustitutos.
El primer paso en la prueba de hipótesis es formular mis hipótesis. Una ‘hipótesis nula’ es la suposición de que no está sucediendo nada interesante o que no existe ninguna relación o efecto. En nuestro caso el hipótesis nula es: No hay diferencia en el rendimiento medio del sueño entre las noches en las que se consumió y no se consumió alcohol.
Una ‘hipótesis alternativa’ es la hipótesis que contradice la nula y afirma que, de hecho, está sucediendo algo interesante. En nuestro ejemplo el hipótesis alternativa es: Existe una diferencia en el rendimiento medio del sueño entre las noches en las que se consumió alcohol y en las que no se consumió.
Elegir una prueba estadística
Para evaluar cuál de estas hipótesis es cierta, debemos elegir una prueba estadística. Tenemos curiosidad por saber si la puntuación promedio de sueño de las noches en las que bebí alcohol es diferente de la puntuación promedio de sueño de las noches en las que no bebí alcohol, por lo que utilizaremos una diferencia de medias para probar esto. Específicamente, nuestro Estadística de prueba es: Rendimiento medio del sueño sin alcohol — Rendimiento medio del sueño con alcohol
Ahora que hemos definido nuestro marco, podemos usar R para calcular nuestra estadística de prueba y evaluar nuestras hipótesis.
Realizando nuestro análisis en R
A partir de nuestros datos de muestra podemos calcular nuestra estadística de prueba observada. El código en R se incluye a continuación.
test_stat <- data |>
specify(formula = sleep_performance ~ alcohol) |>
calculate(
stat = "diff in means",
order = c("No", "Yes")
)
Nuestra estadística de prueba es 8,01. Este número significa que la puntuación promedio de sueño de las noches en las que no consumí alcohol es 8,01 puntos más alta que la de las noches en las que sí consumí alcohol.
El siguiente paso en el análisis es generar una distribución nula a partir de nuestros datos de muestra. Una distribución nula representa todos los diferentes valores del estadístico de prueba que observaríamos si se extrajeran muestras repetidamente de la población. La distribución pretende reflejar la variación en el estadístico de prueba debida únicamente al muestreo aleatorio. La distribución nula se crea en R a continuación:
set.seed(42) #Setting seed for reproducibilitynull_distribution <- data |>
specify(formula = sleep_performance ~ alcohol) |>
hypothesize(null = "independence") |>
generate(reps = 1000, type = "permute") |>
calculate(
stat = "diff in means",
order = c("No", "Yes")
)
Lo que estamos haciendo arriba es tomar muestras con reemplazo de nuestros datos y calcular la diferencia de medias de esas muestras. Hacemos esto 1000 veces para generar una distribución lo suficientemente grande como para que podamos determinar si nuestra estadística de prueba observada es significativa.
Una vez que tengamos nuestra distribución nula y el estadístico de prueba, podemos calcular un valor p bilateral para un alfa de 0,05. El valor p puede considerarse como la probabilidad de obtener un estadístico de prueba que sea tan extremo o mayor que nuestro estadístico de prueba observado si la hipótesis nula es verdadera. Dicho en palabras sencillas; representa la probabilidad de ver este resultado si no hubiera una asociación verdadera. A continuación calculamos un valor p bilateral en R, ya que estamos interesados en la posibilidad de que el estadístico de prueba sea mayor o menor de lo esperado.
p_value <- null_distribution|>
get_p_value(test_stat, direction = "both")
Nuestro valor p es 0,017, lo que significa que nuestro hallazgo es significativo en el nivel alfa=0,05, que es un nivel de significancia comúnmente aceptado en estadística. ¡Significa que la diferencia en la puntuación del sueño que encontramos fue significativa! Tenemos la evidencia para rechazar la hipótesis nula y aceptar la alternativa; allá es una diferencia en el rendimiento medio del sueño entre las noches en las que se consumió y no se consumió alcohol.
A continuación he incluido una visualización útil de la distribución nula, el estadístico de prueba y el rango de cuantiles del 95 %. Las barras grises son las muchas estadísticas de prueba posibles calculadas a partir de nuestras 1000 muestras, y la línea naranja representa la densidad de estos valores. Las líneas discontinuas azules representan los cuantiles 97,5 y 2,5 de esta distribución, más allá de los cuales nuestra estadística de prueba (en rojo) se muestra significativa.
Conclusiones finales
Bueno, ¡resulta que mis entrenadores tenían razón todo el tiempo! Nuestro análisis encontró que mi puntaje promedio de sueño cuando No consumir alcohol fue 8,01 puntos más alto que mi puntaje promedio de sueño cuando hizo consumir alcohol. Se encontró que esta diferencia era estadísticamente significativa, con un valor de p de 0,017, lo que significa que rechazamos la hipótesis nula a favor de la alternativa. Este resultado estadístico respalda mi experiencia personal, dándome un resultado cuantitativo en el que puedo confiar.
Ir más lejos
Ahora que tengo este análisis inicial en mi haber, puedo explorar más asociaciones en mis datos e incluso usar métodos más complicados como pronósticos y modelos de aprendizaje automático.
Este análisis es un ejemplo muy básico de un estudio N de 1 y no está exento de limitaciones. Mi estudio fue observacional más que experimental, y no podemos declarar causalidad, ya que hay muchas otras variables de confusión que mi Whoop no mide. Si quisiera encontrar una relación causal, tendría que diseñar cuidadosamente un estudio, registrar datos sobre todos los posibles factores de confusión y encontrar una manera de no ver el tratamiento. Los estudios N-de-1 son difíciles de realizar fuera de un entorno clínico; sin embargo, aún podemos encontrar asociaciones y relaciones significativas haciendo preguntas simples sobre nuestros datos.
Espero que después de este tutorial tomes la iniciativa de descargar tus propios datos de cualquier rastreador de actividad física que puedas conseguir y jugar con ellos. Sé que a todo el mundo se le puede ocurrir una hipótesis sobre cómo alguna variable afecta su salud, pero lo que la mayoría de la gente no se da cuenta es que está más cerca de obtener una respuesta cuantificable a esa pregunta de lo que cree.
Referencias y lecturas adicionales
[1] Davidson, K., Cheung, K., Friel, C. y Suls, J. (2022). Introducción de las ciencias de datos a los diseños, las estadísticas, los casos de uso, el futuro y la prueba del apodo ‘N-de-1’. Harvard Data Science Review (Número especial 3). https://doi.org/10.1162/99608f92.116c43fe
[2] Lillie EO, Patay B, Diamant J, Issell B, Topol EJ, Schork Nueva Jersey. El ensayo clínico n-de-1: ¿la estrategia definitiva para individualizar la medicina? Por med. Marzo de 2011; 8 (2): 161–173. doi: 10.2217/pme.11.7. PMID: 21695041; PMCID: PMC3118090.
[3] Daza EJ. Análisis causal de datos de series temporales de seguimiento automático utilizando un marco contrafactual para ensayos N de 1. Métodos Inf Med. 2018 febrero;57(1):e10-e21. doi: 10.3414/ME16–02–0044. Publicación electrónica del 5 de abril de 2018. PMID: 29621835; PMCID: PMC6087468.
[4] Schork, N. Medicina personalizada: es hora de realizar pruebas unipersonales. Naturaleza 520609–611 (2015). https://doi.org/10.1038/520609a