Tema 12: Concordancia y correlación.

Tema 12 (III).

Regresión lineal simple: correlación y determinación.
Coeficiente de correlación (Pearson y Spearman). Número adimensional entre -1 y 1, que mide la fuerza y el sentido de la relación lineal entre dos variables.

Coeficiente de determinación número adimensional entre 0 y 1, que da idea de la relación entre las variables relacionadas linealmente. Es r2.

¿Cómo evaluamos la bondad de ajuste de este modelo?

Se evalúa a través de un coeficiente, que se denomina como coeficiente de determinación y se denota normalmente como R². Ese valor está acotado entre 0 y 1. Cuanto más cerca próximo al 1, mayor bondad de ajuste.
En la práctica solemos presentarlo multiplicado por 100, y presentarlo como porcentaje de variaciones explicadas por el modelo o porcentaje de puntos bien representados.
También existe una relación que facilita los cálculos, y es que se ha demostrado el Coeficiente de Determinación se puede calcular sin más que elevar al cuadrado el Coeficiente de Correlación de Person.

Se realiza el cálculo de test de hipótesis t para modelo de regresión lineal simple (t de Kendall).

Tema 12: Concordancia y correlación.

Tema 12 (II).

Análisis de correlación.

Se utiliza con el propósito de disponer de un indicador cuantitativo que permite sintetizar el grado de la asociación entre variables.

El coeficiente de Correlación r de Pearson (r), (Rxy), es un coeficiente que mide el grado de la relación de dependencia que existe entre las variables (x,y), cuyos valores van desde -1 a 1.

Coeficiente de correlación de Pearson.

Por lo que ya podemos decir que si la "r" es menor que 0, tenemos una relación lineal inversa. Si la "r" es mayor que 0, la relación es lineal directa, y si "r" es igual a 0, podemos tener una variables independientes o por otro lado una relación que no sea lineal.

Para comprenderlo mejor vamos a observar la siguiente imagen:

Análisis de Correlación.

El coeficiente de Correlación por Rango de o rho de Spearman es una medida de asociación.

Procedimiento:

• Se ordena los valores de una de las variables.
• Para cada par de observaciones (rangos) calculamos su diferencia.
• di=rango de ui - rango de vi.
• Se eleva al cuadrado cada di y se suma todos los valores encontrados.
• Se calcula para determinar la discrepancia entre los rangos.

Algunas de las formas de comprobar la normalidad de los datos son:

• Método gráficos.
• Histograma.
• Prueba del lápiz grueso o gráfico QQ.
• Métodos descriptivos.
• Pruebas de normalidad.
• Prueba de Kolmogorov-Smirnov.
• Prueba de Shapiro-Wilk.

Normality check.

Debemos verificar la normalidad usando Kolmogorov (n>50) or Shapiro (n<50).

• K-S <0,05 → distribución no normal.
• K-S >0,05 → distribución normal.

Análisis de la relación entre dos variables cuantitativas: modelo de regresión.

La recta tiene una ecuación: y=a+bx, a esta ecuación la vamos a llamar Modelo de regresión. "X" e "Y" son las variables.

El término "b" es el coeficiente que va a acompañar a la "X", el cual vamos a llamar coeficiente de regresión. Indica la pendiente o inclinación de la recta.

El término "a" es el punto de intersección con el eje de coordenadas, que indica el valor de la variable respuesta cuando la "X" es cero. Es decir, cuando "X" es cero, el producto sería cero, y la "Y" sería igual a "a" (y=a).

Regresión lineal simple: correlación y determinación.

Análisis de relación entre dos variable cuantitativas: modelo de regresión.

Calculamos los valores de "a" y "b" que proporcionan las recta que mejor se ajusta.

Se parte de un criterio, y el más utilizado es el criterio de los mínimos cuadrados. Consiste en obtener un punto sobre la gráfica que se denomina (Yi), que es el punto observado, y posteriormente en coger un punto sobre la recta que hemos dibujado, denominado (Yi*).

Se calcula la diferencia entre ambos y nos interesa que la diferencia sea lo más pequeña posible, por eso se llama el criterio de los mínimos, y también se denomina cuadrado porque se calcula con un término al cuadrado.

Se trata de la recta que hace mínimo el cuadrado de la suma de las distancias verticales desde ella hasta cada uno de los puntos de la nube.

Criterios de los minimos cuadrados.

Tema 12: Concordancia y correlación.

Tema 12 (I).

Relación entre dos variables cuantitativas.

Una variable cuantitativa toma valores que son cuantificables.

Como ya dijimos en los demás temas:

• H0 (hipótesis nula): las dos variables en estudio son independientes.
• H1 (hipótesis alternativa): las dos variables en estudio están relacionadas.

Estudio conjuntos de dos variables.

Como podemos observar a la derecha hay una tabla:

• En cada fila tenemos los datos de un individuo.
• Cada columna representa los valores que toma una variable sobre los mismos.

Nuestro objetivo será intentar reconocer a partir del mismo si hay relación entre las variables, de qué tipo, y si es posible predecir el valor de una de ellas en función de la otra.

Diagrama de dispersión o nube de puntos.

Podemos hacer un diagrama de dispersión o  nube de puntos con la tabla.

Relación entre variables.

Con la tabla anterior del diagrama de dispersión podemos sacar la idea de que el peso aumenta con la altura.

Predicción de una variable en función de la otra.

Podemos deducir que el peso aumenta 10 kg por cada 10 cm de altura.

Relación directa e inversa.

Para valores de "X" por encima de la media tenemos valores de "Y"por encima por debajo en proporciones similares incorrelación.

Para valores de "X" mayores de la media le corresponden valores "Y" mayores también.

Para los valores de "X" menores que la media le corresponden valores de "Y" mayores también.

Esto se llama relación directa.

Para los valores de "X" mayores que la media le corresponden valores de "Y" menores. Esto es relación inversa o decreciente.

Relación entre dos variables cuantitativas.

Las variables independientes no hay relación.

Las variables dependientes si hay relación, pero pueden ser de dos tipos:

• Dependencia estocástica: no están todo los puntos exactamente sobre el modelo.

• Dependencia funcional: puntos exactamente sobre la línea recta o curva.

Regresión lineal simple: correlación y determinación.

Se trata de estudiar la asociación lineal entre dos variables cuantitativas.

La regresión lineal simple es una sola variable independiente.

La regresión lineal múltiple es más de una variable independiente.

Regresión lineal simple: correlación y determinación.

y = a + bx es la ecuación de la recta.

• Y: variable dependiente.
• b: pendiente de la recta. 
• Expresa la cantidad de cambio que se produce en la variable dependiente por unidad de cambio de la variable independiente.
• a: punto de intersección con el eje de coordenadas.
• Expresa cuál es el valor de la variable dependiente, en este caso es el eje "Y", cuando la independiente vale cero, que en este caso es el eje "X". Es decir cuando x=0 y=a.

Coeficiente de regresión.

b>0 es relación directa, cuando "x" aumenta e "y" también.

b<0 es relación indirecta cuando "x" aumenta pero "y" disminuye.

Regresión lineal simple: correlación y determinación.

• Modelo lineales deterministas: La variable independiente determina el valor de la variable dependiente.
• Modelo lineales probabilísticos: Para cada valor de la variable independiente existe una distribución de probabilidad de valores de la dependiente, con una probabilidad.
• La recta a determinar es aquélla con la menor distancia de cada punto a ella.

Tema 11: Pruebas no paramétricas más utilizadas en enfermería.

Tema 11 (II).

Chi-cuadrado teórica.

El grado de libertad es el: (número de filas-1)*(número de columnas-1).

A un nivel de significación de 0,05.

Chi-cuadrado en la tabla es 3,8415 y en los datos es 0,056 obtenidos mediante la formula.

0,056<3,8415 que es el resultado de la tabla. No hay más diferencias en los datos más allá que las que habría sí la diferencia fuera producto del azar.

 Estas dos tablas es la distribución de chi-cuadrado, donde buscamos el valor teorico.

Odds ratio (OR).

• Permite cuantifica la importancia/fuerza de la asociación entre dos variables.
• Puede acompañar el resultado de la prueba chi-cuadrado.
• Frecuencia expuesto/frecuencia no expuestos.
• Odds ratio sería el cociente entre la odds del grupo de individuos de la categoría 1 de la variable supuestamente dependiente, frente a la odds del otro grupo formado por los individuos de la categoría 2 de esa misma variable.

Tiene caracteristicas:

• No tiene dimensiones.
• El rango va de 0 a ∞.
• OR=1 indica que no hay asociación (independencia, es decir, se acepta la H0).
• OR>1 la presencia del factor de exposición se asocia a mayor ocurrencia del evento.
• OR<1 la presencia del factor de exposición a menor ocurrencia del evento.

Si comparamos una variable.

Si se da el caso que las frecuencias esperadas sean pequeñas o menores de 5, no se puede utilizar el Chi-cuadrado.

En caso de no poder utilizar Chi-cuadrado, reagrupamos los valores de las categorias y podemos utilizar: la prueba exacta de Fisher o Corrección de Yates.

Tema 11: Pruebas no paramétricas más utilizadas en enfermería.

Tema 11 (I).

Contraste de hipótesis.

La prueba χ² se considera una prueba no paramétrica que mide la discrepancia entre una distribución observada y otra teorica, indicando el qué medida las diferencias existentes entre ambas, de haberlas, se deben al azar en el contraste de hipótesis.

Análisis bivariado de varaibles cualitativas: Test de hipótesis Chi-cuadrado.

Para evaluar la independencia entre las variables, se calculan los valores que indicarían la independencia absoluta, lo que se denomina " frecuencias esperadas", comparándolos con las frecuencias de la muestra. 

Como es habitual, H0 indica que ambas variables son independientes y la H1 indica que ambas variables son dependientes.

Tablas de contingencia-Frecuencias absolutas.

Tablas de doble entrada (2x2) que se emplean para registrar y analizar la asociación entre dos o más variables de naturaleza cualitativa.

Prueba de chi-cuadrado.

La prueba o estadístico Chi- cuadrado se utiliza para comprobar si la diferencia en los datos que observamos:

• Es debido al azar o es debida a algo más.

Los contrastes se basan en la comparación de las frecuencias observadas en la muestra con aquellas que cabría esperar si la H0 fuera cierta.

Chi-cuadrado permite:

• Permite determinar si dos variables cualitativas están o no asociadas. Es decir si son dependientes (H1) o independientes (H0). 
• Para su cómputo calculamos:
• Frecuencias esperadas (FE).
• Frecuencias observadas (FO).
• Las comparamos para calcular el valor del estadístico chi-cuadrado:

• Cuanto mayor sea la diferencia, mayor es la asociación / dependencia entre ambas variables.
• Las diferencias entre las frecuencias observadas y esperadas están elevadas al cuadrado, esto hace que el valor siempre sea positivo.

Condiciones para aplicar la Chi-cuadrado.

La prueba de Chi-cuadrado no establece restricciones sobre el número de modalidades por variables y no es necesario que el número de filas y el número de columnas de las tablas coincidan. Pero si es necesario que se aplique a estudios basados en muestras independientes, y cuando todos los valores esperados sean mayores de 5. Para utilizar Chi-cuadrado debe cumplir una serie de características:

• Las observaciones deben ser independientes.
• Utilizar en variables cualitativas.
• Más de 50 casos.
• La frecuencias teóricas o esperadas en cada casilla de clasificación no deben ser inferior a 5. 

Si no se cumple estos requisitos se usan pruebas paramétricas:

• Fisher.
• Correción de continuidad de Yates.
• Es una formula matemática que se aplica con tablas 2x2 con una frecuencia teórica pequeña.

Tema 10: Estimación y/o significación estadística.

Tema 10 (II).

Fase 2.

Tras formular la H0 se calcula, mediante el estadístico de contraste más apropiados, la probabilidad de que los resultados observados puedan deberse al azar.

La elección del test más adecuado para realizar el contraste de hipótesis depende de los objetivos del análisis y de la comprobación. Tienen unas caracteristicas:

• La escala de medida y el tipo de variables.
• La independencia o dependencia de las medidas, debemos tener en cuenta si los datos proceden de participantes independientes.
• El aspecto de la distribución de la variable dependiente.

Estos supuestos son:

• Normalidad y distribución homogénea de las varianzas u homocedasticidad.
• Trabajar con una escala de medida de razón o de intervalo.

En el caso de que estos supuestos no se cumplan, se utiliza los contrastes no se cumplan, se utilizan los contrastes no paramétricos, que permiten poner a prueba hipótesis no referidas a parámetros poblacionales.

Fase 3.

Basándose en esta probabilidad, se decidirá rechazar o no la H0. Así, cuanto menor sea el valor de p, menor será la probabilidad de que los resultados obtenidos se deban al azar y mayor evidencia habrá en contra de la hipótesis nula.

Si el valor p obtenido es superior al limite critico, facilitan las tablas o la aplicación estadística para ese nivel de confianza, estaríamos en la región crítica y rechazamos la H0.

Si por el contrario el valor de p obtenido es inferior al del limite critico, estaríamos en la región de aceptación.

Error de hipótesis.

Toda inferencia estadística lleva implícito siempre el riesgo de cometer algún error. Todo depende de ese error, al que llamamos α. Por tanto, el error α es la probabilidad de equivocarnos al rechazar la H0.

A partir de los resultados de un estudio, puede llegarse a diferentes conclusiones:

• Puede concluirse que existen diferencias entre los grupos que componen la muestra.
• Puede concluirse que no hay diferencias entre los grupos que componen la muestra.

El error tipo 1: consiste en decir que existen diferencias estadísticamente significativas cuando realmente esto no es cierto. Al cometer este error, el investigador rechaza la H0. Este error se conoce como α. 

El error tipo 2: en el que se indica que no existen diferencias, cuando realmente esto no es cierto. Al cometer este error, el investigador acepta la H0. Este error se conoce como  β.

Tipos de errores en test de hipótesis.

El error tipo II es más problable que se cometa que el tipo I.

El error tipo β habitualmente se sitúa entre el 0,05 y el 0,2.

Si fijamos un error β del 20% (0,2), la potencia del estudio será de 0,80= (1-0,2), y eso significa que, si la diferencia realmente existe, el estudio tiene 80% de probabilidad de detectarla.

Si establecemos una significación estadística de α= 0,01, esa será la probabilidad de cometer el error tipo I. Pero disminuir la probabilidad de cometer el error tipo I, hace que aumente la probabilidad de cometer el error tipo II.

Tema 10: Estimación y/o significación estadística.

Tema 10 (I).

Significación estadística.

El concepto de la significación estadística que es la probabilidad de que la relación observada sea producto sea producto de la casualidad, es la probabilidad que tenemos de confundirnos, desde un punto de vista estadístico, cuando ofrecemos un resultado.

Cuando damos un resultado con una p< 0,05 indicamos que la probabilidad de que la relación observada se deba al azar es de 0,05 por 1 (5%). El valor de p<0,05 es el mínimo universalmente exigido para poder concluir que las diferencias son estadísticamente significativas.

El valor de p no es una medida de fuerza de asociación. Este valor informa sobre la existencia de una diferencia entre ambos grupos y de la probabilidad de que no se deba al azar.

Contraste de hipótesis.

La prueba o el contraste de hipótesis consiste en contrastar la hipotensión del estudio con los datos obtenidos en la muestra con el fin de verificar si existen diferencias en los hallazgos obtenidos en ambos grupos. El contraste de hipótesis no permite decidir si los resultados obtenidos son fruto de la causalidad (causa- efecto) o casualidad (por azar).

La hipótesis nula (H0), indica que no existe diferencia significativas entre los resultados obtenidos en la práctica y los resultados teóricos, es decir, que no hay relación real entre las variables y que cualquier relación observada  es producto del azar.

La hipótesis de investigación o alternativa (H1) la que afirma que la media de la población es un valor diferente al hipotético.

Según el nivel de significación que hayamos preestablecido las soluciones pueden ser:

• P>0,05: en este caso no podemos rechazar la H0.
• P<0,05: en este caso rechazamos la H0, por lo que debemos aceptar la H1.

El contraste de hipótesis podemos dividirla en 3 fases:

Fase 1.

Lo primero es formular nuestra H0 a partir de H1.

La H0, indica que no existen diferencias significativas entre los resultados obtenidos en la practica y los resultados teóricos, es decir, que no hay relación real entre las variables y que cualquier relación observada es productor del azar (esto ya fue explicado anteriormente pero lo volvemos a recalcar).

Normalmente se expresa de la siguiente forma H0: μA = μB.

Es la H1 la que afirma que la media de la población es un valor diferente al hipotético.

Se suele expresar de la siguiente forma H1: μA ≠ μB.

• Si la H0 es verdadera, solo hay una posibilidad: μA=μB.
• Si la H0 es falsa, tenemos claro que μA ≠ μB, pero no sabemos si μA < μB o si μA > μB. 

¿Qué es eso del contraste bilateral?

Se presenta cuando la H0 es del tipo:

• H0: μ=μ0.
• H0: p=p0.

La H1, por tanto, es de tipo:

• H1: μ≠ μ0.
• H1: p≠ p0.

Cuando la H0 se formula a partir de una hipótesis unilateral. H0 postula entonces que B es tan eficaz como A. Se expresa de la siguiente manera H0: μA ≤ μB.

Tema 9: Introducción a la inferencia estadística. Intervalos de confianza y contraste de Hipótesis.

Tema 9 (II).

Error estándar.

El error estándar de la media (EEM) mide la dispersión hipotética que tendrían las medias de infinitas muestras tomadas de una población determinada.

El EEM, es, por tanto, el error de muestreo, la fluctuación que el valor de un estadístico puede tener entre distintas muestras tomadas de una misma población.

Dentro del cálculo del error estándar podemos encontrar dos tipos:

• Error estándar para una media.
• Depende de cada estimador: media / proporción. El error estándar de la media está relacionado con la representatividad de la muestra. El EEM depende de la desviación típica de la población y del tamaño muestras.

• Error estándar para una proporción.
• De igual forma, el EE de un porcentaje, es la desviación estándar de una distribución formada por "n" porcentajes resultantes de la observación de "n" muestras de esa población. El EE nos proporciona información sobre la dispersión que presentaría el estadístico observado, tras una hipotética repetición del estudio. P es el porcentaje o proporción a estimar.

Teorema central del límite.

Es una teoría estadística que establece que, dada una muestra suficientemente grande de la población, la distribución de las medias muestrales seguirá una distribución normal. 

Por tanto, mediante TCL podemos definir la distribución de la media muestral de una determinada población con una varianza conocida.

Este teorema tiene una serie de propiedas:

• Si el tamaño de la muestra es suficientemente grande, la distribución de las medias muestrales seguirá aproximadamente una distribución normal.
• La media poblacional y la media muestral seran iguales. 
• La varianza de la distribución de las medias muestrales será:  σ²/n.

Intervalos de confianza.

• Son un medio de conocer el parámetro en una población midiendo el error que tiene que ver con el azar.
• Se trata de un par de número tales que, con un nivel de confianza determinados, podamos asegurar que el valor del parámetro es mayor o menos que ambos números.
• Se calcula considerando que el estimador muestral sigue una distribución normal, como establece la teoría central del límite.

Mientras mayor sea la confianza que queramos otorgar al intervalo, éste será más amplio, es decir el extremo inferior y el superior del intervalo estarás más distanciados y, por tanto, el intervalo será menos preciso.

Contraste de hipótesis.

 

Para controlar los errores aleatorios, además del cálculo de intervalos de confianza, contamos con una segunda herramienta en el proceso de inferencia estadística.

Con los intervalos nos hacemos una idea de un parámetro de una población dando un par de números entre los que confiamos que esté el valor de desconocido. 

Tema 9: Introducción a la inferencia estadística. Intervalos de confianza y contraste de Hipótesis.

Tema 9 (I).

La estadística analítica o inferencial se ocupa de generalizar los datos obtenidos en la muestra a la población de la que procede. Al extenderse los resultados de la muestra a un colectivo mayor, asumimos que puede haber variables o elementos en la población que difieran de los que componen la muestra, y por eso, asumimos que al inferir o generalizar los hallazgos obtenidos en la muestra a la población, tenemos alguna probabilidad de cometer un error.

Inferencia estadística.

Tiene como objetivo "inferir", o sea , establecer conclusiones sobre una población a partir de los resultados obtenidos de una muestra , todo ello, con un determinado nivel de seguridad o intervalo de confianza.

La inferencia exige la aleatoriedad  en la selección de los sujetos que forman la muestra:

• Población.
• Muestra.
• Muestra independiente.
• Muestra dependiente.

Dos formas de inferencia estadística:

• Estimación del valor a partir de un valor de la muestra.
• Estadístico/ Estimador: Índice que representa una información de la muestra estudiada.
• Las propiedades deseables de un estimador son las siguientes:
• Insesgadez: Un estimador es insesgado cuando la esperanza matemática del este es igual al parámetro que desea estimar.
• Eficiente: Un estimador es más eficiente o tiene la capacidad de estimar de forma precisa cuando su varianza es reducida.
• Consistencia: Un estimador consistente es aquel que a medida que la medida que la muestra crece se aproxima cada vez más al valor real del parámetro.
• Parámetro: Cada uno de los estadístico que tras inferirse, nos proporcionan información sobre la población.
• Contraste de hipótesis, a partir de valores de la muestra, se concluye si hay diferencias entre ellos en la población. 

• X: media aritmética.
• S: desviación típica.
• P: valor de la probabilidad, nivel de significación.

Las dos formas de inferencia estadística.

Estimación de parámetros poblacionales: que pueden ser puntual o por intervalos. En la estimación de parámetros se calcula cuál será el valor que se pueden encontrar en la población a partir de los datos obtenidos en la muestra que ha participado en el estudio.

Podemos hacer el contraste de hipótesis, se formula la hipótesis nula (H0), que postula que no hay diferencia entre los grupos que se comparan, y se contrasta con los datos obtenidos para determinar si esta es verdadera o falsa. Mediante el contraste de hipótesis podriamos saber si una intervención educativa, por ejemplo si se reduce las cifras arteriales.

Las pruebas paramétricas, en cambio, se basan en las leyes de distribución normal para analizar los elementos de una muestra. Dentro de las pruebas paramétricas podemos encontrarnos con:

• T-Student, se utiliza para determinar si hay una diferencia significativa entre las medias de dos grupos, es decir, que se utiliza cuando deseamos comparar dos medias.
• Anova, es un método para comparar dos o más medias, que es necesario porque cuando se quiere comparar más de dos medias es incorrecto utilizar repetidamente el contraste basado en la T-Student.
• Fisher, es el test exacto utilizado cuando se quiere estudiar si existe asociación entre dos variables cualitativas.
• Pearson, se utiliza para estudiar la relación o correlación entre dos variables aleatorias cuantitativas.

Las pruebas no paramétricas son aquellas que se encargan de analizar datos que no tienen una distribución particular y se basan una hipótesis. Dentro de las pruebas no paramétricas podemos encontrarnos con:

• U-Mann-Whitney,se aplica a dos muestras independientes. Es más, es la versión no paramétrica de la prueba T-Student.
• Kruskal-Wallis, es un método no paramétrico para probar si un grupo de datos proviene de la misma población. Es idéntico al Anova.

¿Cuál es la ventaja de usar una prueba no paramétrica?

Las pruebas no paramétricas son más robustas que las paramétricas. En otras palabras, son válidas en un rango más amplia de situaciones.

¿Cuál es la ventaja de usar prueba paramétrica?

La ventana de usar una prueba paramétrica en lugar de una no paramétrica consiste en que la primera tiene más potencia estadística que la segunda. En otras palabras, una prueba paramétrica tiene mayor capacidad para conducir un rechazo de H0.

Estimaciones.

• Estimaciones puntual:
• Utiliza el valor del estadístico calculado en la muestra como valor del parámetro que se desea estimar. Una estimación puntual de un parámetro poblacional es cuando se utiliza un único valor para estimar ese parámetro.
• Estimación por intervalos.
• Informa de la probabilidad de que el parámetro poblacional se encuentre entre unos valores determinado. Para realizar esta estimación es necesario construir un intervalo de confianza (IC). Un intervalo de confianza nos va a permitir calcular dos valores alrededor de una media muestral. Esta estimación depende de unos factores que a su vez depende del intervalo de confianza.
• Tamaño de la muestra seleccionada.
• Nivel de confianza.
• Margen de error de nuestra estimación.
• Lo estimado en la muestra.

Tema 17: TIC, medios de comunicación social y enfermería.

Tema 17.

¿Quién no tiene hoy en día alguna red social?

Siempre hay alguna excepción, pero el que no tiene Facebook puede tener otra red social como: Instagram, Twitter, WhatsApp, etc. Puede tener una de ellas o incluso tener todas.

Para muchas enfermeras que se inician en el mundo de las redes sociales hay una premisa que los caracteriza: Le gusta, lo entienden, lo usan y funciona.

La esencia de nuestra profesión es "cuidar a las personas y hoy estas están en las redes sociales, por lo que tenemos que estar en las redes sociales". Es decir, tenemos como profesionales de enfermería adaptarnos al cambio de la población.

Una campaña contra cualquier enfermedad de transmisión sexual dirigida a centros de salud puede que no llegue a la población a la que realmente va, o debería ir, orientada; los que acuden a centros y hospitales suelen hacerlo cuando ya tienen un problema de salud, por lo que si se invirtiera en campañas de prevención para redes sociales el impacto sería mucho mayor, ya que en ellas encontramos a los jóvenes que pueden estar desarrollando malos hábitos.

¿Qué nos permiten las redes? 

Las redes sociales son una herramienta con un potencial impresionante para contar y difundir lo que hacemos, nos ayudan a aprender de otros y a conocer lo que hacen muchos profesionales en otros servicios.

Nos conectan con personas de cualquier lugar del mundo.

Ventajas del uso de las redes sociales para enfermería:

• Te permiten una excelente conectividad con otros profesionales enfermeros o no.
• Te brindan la posibilidad de compartir información útil como profesional.
• Te permiten estar al día de los que sucede en la profesión.
• Facilitan la creación de foros y debates profesionales que permitan el avance profesional.
• Te dan la posibilidad de hacer visibles tus ideas.
• Te permite generar una identidad profesional que permite tu desarrollo emprendedor.

Desvetajas del uso de las redes sociales para enfermería:

• Pueden poner en riesgo la privacidad, tanto nuestra como de terceros.
• Peligrosas para nuestra imagen profesional, según como se usa y se mezclen nuestros perfiles.
• Mala gestión del nuestro tiempo, pueden convertirse en una adicción separándonos del mundo real.
• Exceso de información, que nos puede dispersar y separar de nuestros objetivos si no filtramos bien.
• Facilitan la violación de nuestra ética profesional.

¿En qué te beneficia profesionalmente?

Es constante el enriquecimiento profesional y personal, por varios factores: tener un blog y publicar periódicamente obliga a estar actualizado sobre los temas que desarrollas.

La participación en grupos de trabajo supone un esfuerzo a mayores, pues periódicamente hay que preparar contenido. 

Tema 16: Aplicación de las TIC en los cuidados enfermeros.

Tema 16 (II).

Podrás encontrar apps disponibles para ordenadores, tablets y dispositivos móviles:

• NEOinph VH: Su interfaz sencilla e intuitiva, facilita la consulta y las pautas a seguir en la administración de fármacos a pacientes neonatos.

• En calma en el quirófano: Ayuda a los pacientes a tranquilizarse y relajarse antes de someterse a una operación de quirófano. Cuenta con varios audios donde se aplican métodos mindfullness en 3 etapas.

• Guía terapia intravenosa: Esta aplicación reune todo los protocolos a realizar de forma organizada y visual.

• Scores Pedriatría: Este recurso recopila más de 60 test para usarse en áreas de pediatría.

• HealthScience: Contiene información de diferentes técnicas, pruebas y avances tecnológicos en el mundo sanitario, su creadora decidió organizar más de 200 revistas científicas.

• NDCalculator: Permite calcular el volumen final de disolución cuando aplicamos a un paciente una medicación o un fármaco de forma endovenosa.

• Hipot-CNV: Consistió en crear un método alternativo de comunicación no verbal basado en pictogramas. De esa manera ayudan a pacintes con problemas o dificultades en el habla y pueden llegar a interpretar de una forma más precisa sus reacciones y necesidades.

• Enfemería blog: En su blog nos permite leer, compartir y descubrir nuevos recursos, procedimientos y técnicas innovadoras en el área de enfermería. 

• Asistente RCP: Esta útil aplicación permite ayudarnos en tiempo real a realizar un RCP en aso de emergencia, con indicaciones claras y precisas de cómo debemos hacer la reanimación mediante ilustraciones y un sistema de voz que nos guiará en todo momento.

• FoodLinker: Esta aplicación cuenta con una completa base de datos de todos los productos alimenticios registrados por la AECOC, incluyendo su composición e ingredientes de forma excusa, para evitar problemas derivados de intolerancias o alérgenos. De ese modo podemos analizar mediante el código de barras del producto, si es apto o no para nosotros según nuestro  perfil previamente configurado.

• BCX EVA Escala del dolor: Sistema pensado como apoyo de los enfermeros y cuidadores a la hora de valorar el grado de dolor que tiene un paciente mediante el uso de una sencilla escala.

• PrevenApp: Cuenta con una interesante funcionalidad que permite valorar si un paciente es propenso a desarrollar úlceras por presión mediante de la escala de Braden. 

• iRCP: Nos ofrece ayuda mediante su asistente de voz y una guía detallada de cómo debemos realizar una reanimación cardiopulmonar en caso de emergencia.

• Guía Salud: Incluye guías practicas para descargar en formato PDF, recomendaciones y materiales para pacientes, catálogos, metodologías e información sobre atención sanitaria hacia diferentes colectivos.

• Nurse Test: App basada en test, cuestionarios y escalas, que valora la evolución de pacientes largo y corto plazo mediante el registro de su historia individual.

• Universal Doctor Speaker: Herramienta de traducción para facilitar la comunicación multilingüe de atención médica en 8 idiomas diferentes entre enfermeras y pacientes que no hablan el mismo idioma.

• EIR Enfermería: Aplicación pensada para ayudar a superar los exámenes de las oposiciones del EIR.

• Infusion Nurse: Permite calcular de forma exacta la cantidad idóneo de medicación y velocidad de la dosis en sueroterapia.

• AempsCima: Incluye un listado con todo los medicamentos autorizados en territorio español. Incluye sus usos, finalidad y contraindicaciones.

• Aturnos: Una forma de organizar, fácil y sencilla, la gestión interna del departamento sanitario.

• NandaNocNic: Almacena y guarda toda la información del pacientes.

50 mejores Apps de Salud.

• Primera fase del estudio.
• Apps de salud desarrolladas en español. Centrado en las aplicaciones sobre salud y medicina, excluyendo aquéllas relacionadas con el deporte o estilos de vida.
• Segunda fase: selección teniendo en cuenta los siguientes criterios.
• Contenido riguroso y de calidad.
• Diseño y experiencias de uso.
• Reconocimiento y premios recibidos.
• Utilidad para el público al que va dirigido.

A partir de aquí se han identificado las 50 mejores apps y se ha elaborado un Top10 con las consideradas más destacables en base a dichos filtros de calidad.

• Información.
• Educación y sensibilización.
• Registro y monitorización.
• Ayuda al diagnostico.
• Seguimiento de tratamiento.
• Gestión y utilidades.