De la normalidad a la normalización: aportes matemáticos y estadísticos en la investigación médica con pertinencia territorial
DOI:
https://doi.org/10.64507/jngcp031Palabras clave:
Estadística, Epidemiología, Medicina basada en la evidencia, Inteligencia artificial, Toma de decisiones.Resumen
Objetivo: Este trabajo analiza la evolución de los principales métodos cuantitativos aplicados a la medicina y reflexiona sobre su utilidad para fortalecer la investigación y los sistemas de salud contemporáneos. Metodología: Se realizó un análisis crítico mediante una revisión narrativa con enfoque histórico-epistemológico. Se integraron textos clásicos de probabilidad y estadística, desarrollos metodológicos en epidemiología, literatura sobre complejidad e inteligencia artificial, así como contribuciones latinoamericanas. Resultados: El análisis se estructuró en torno a la evolución de los métodos estadísticos, las métricas e indicadores, así como los marcos conceptuales para su aplicación contextual en atención a la salud. Conclusiones: La evolución de los métodos cuantitativos demuestra que la interpretación de los fenómenos sanitarios requiere trascender de la aplicación acrítica de modelos universales a la incorporación de enfoques contextualizados considerando la complejidad humana, social y territorial. En sistemas públicos como el IMSS-BIENESTAR, caracterizados por una alta diversidad poblacional atendida, el uso contextualizado de modelos estadísticos, indicadores epidemiológicos mixtos y enfoques de complejidad puede mejorar la evaluación de intervenciones, la implementación y la toma de decisiones.
Descargas
Referencias
1. Gauss CF. Theoria motus corporum coelestium in sectionibus conicis solem ambientium. Hamburg: Perthes and Besser; 1809.
2. Laplace PS. Théorie analytique des probabilités. Paris: Courcier; 1812.
3. Feller W. An Introduction to Probability Theory and Its Applications. 2nd ed. New York: Wiley; 1957.
4. Galton F. Regression Towards Mediocrity in Hereditary Stature. J Anthropol Inst. 1886;15:246–63.
5. Pearson K. Contributions to the mathematical theory of evolution. Proc R Soc Lond. 1896;58:240–42.
6. Pearson K. X. On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science. 1900 Jul 1;50(302):157-75.
7. Student (Gosset WS). The probable error of a mean. Biometrika. 1908;6(1):1–25.
8. Fisher, R.A. 1990. Statistical methods, Experimental design and scientific inference (ed. J.H. Bennett), Oxford: Oxford University Press
9. Kaplan EL, Meier P. Nonparametric estimation from incomplete observations. J Am Stat Assoc. 1958;53:457–81.
10. Mantel N. Evaluation of survival data and two new rank order statistics arising in its consideration. Cancer Chemother Rep. 1966 Mar 1;50(3):163-70.
11. Cox DR. Regression models and life tables. J R Stat Soc Series B. 1972;34:187–220.
12. Stalpers LJ, Kaplan EL. Edward L. Kaplan and the Kaplan-Meier survival curve. BSHM Bulletin: Journal of the British Society for the History of Mathematics. 2018 May 4;33(2):109-35.
13. Abd ElHafeez S, et al. Methods to Analyze Time-to-Event Data. Oxid Med Cell Longev. 2021;2021:1–15.
14. Blyden J, Harding SG. The science question in feminism revisited: methodological dominance and epistemic exclusion. Cambridge: Polity Press; 2020.
15. Gaillard J, Arvanitis R. Research capacity in the Global South: inequality, knowledge flows, and scientific dependency. Sci Public Policy. 2019;46(4):645–656.
16. Montgomery SL. Does science need a global language? English and the future of research. Chicago: University of Chicago Press; 2013.
17. Porter TM. Trust in Numbers: The Pursuit of Objectivity in Science and Public Life. Princeton: Princeton University Press; 1995.
18. Monteiro CA, Cannon G, Lawrence M, Costa Louzada M, Machado P. Ultra-processed foods, diet quality, and human health. Geneva: WHO; 2019.
19. Victora CG, Barros FC, Horta BL, et al. The Pelotas birth cohort studies: 1982–2015. Int J Epidemiol. 2016;45(3):632–642.
20. Castillo-Salgado C, Schneider C, Loyola E, Mujica O, Roca A, Yerg T. Measuring health inequalities: Gini coefficient and concentration index. Epidemiol Bull. 2001 Mar;22(1):3-4.
21. Vérez-Bencomo V, Fernández-Sánchez T, Hardy E, et al. A synthetic conjugate polysaccharide vaccine against Haemophilus influenzae type b. Science. 2004;305(5683):522–525
22. Gómez de León J, Tuirán R, Welti C. Índice de Marginación 2015: Documento Metodológico. Ciudad de México: Consejo Nacional de Población (CONAPO); 2016.
Disponible en: https://www.gob.mx/conapo
23. Frenk J, González-Pier E, Gómez-Dantés O, Lezana MA, Knaul FM. Health system reform in Mexico. Lancet. 2006;368(9546):152–163. doi:10.1016/S0140-6736(06)69005-9.
24. Rodríguez-Ramírez S, Rivera JA, Barquera S, Campos-Nonato I, Ariza AC, et al. Dietary patterns in Mexican children and adolescents: Results from the Mexican National Health and Nutrition Survey 2012. J Nutr. 2016;146(9):1934S–1943S.
25. Garcia-Olp M, Nelson C, Saiz L. Decolonizing mathematics curriculum and pedagogy: Indigenous knowledge has always been mathematics education. Educational Studies. 2022 Jan 2;58(1):1-6.
26. Kulago HA, Wapeemukwa W, Guernsey PJ, Black M. Land, water, mathematics, and relationships: What does creating decolonizing and Indigenous curricula ask of us? Educational Studies. 2021 May 4;57(3):345-63
27. Roberts MG, Hickson RI, McCaw JM. How immune dynamics shape multi-season epidemics: a continuous-discrete model in one dimensional antigenic space. J Math Biol. 2024 Mar 27;88(4):48. doi: 10.1007/s00285-024-02076-x.
Descargas
Publicado
Declaración de disponibilidad de datos
No se generaron datos nuevos.
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
