1 Diseño experimental
La capacidad de los investigadores científicos de aplicar correctamente el conocimiento estadístico al realizar investigaciones biomédicas afecta directamente la calidad de la investigación. La tarea del diseño estadístico es organizar sistemáticamente el despliegue y la implementación de la investigación hasta la interpretación de los resultados de la investigación, y esforzarse por obtener conclusiones e información confiables con la menor cantidad de mano de obra y recursos materiales. El propósito es determinar si un determinado tratamiento mostrará un determinado efecto. Se debe seguir el principio de única diferencia al diseñar experimentos, es decir, al comparar dos grupos, solo hay diferencias causadas por diferentes factores de procesamiento, mientras que los factores no procesados relacionados con otras condiciones experimentales deben permanecer iguales. Sin embargo, una diferencia en la respuesta entre los grupos de tratamiento y control no significa necesariamente que sea resultado del tratamiento. Hay otras dos posibilidades que marcan la diferencia, el sesgo y el azar. El sesgo se refiere a diferencias sistemáticas y no es causado por diferencias de tratamiento entre grupos. El objetivo del diseño y análisis estadístico en experimentos biomédicos es eliminar posibles sesgos y reducir las posibilidades [2].
1.1 Sesgo y control experimental
El sesgo es la existencia de algunos errores sistemáticos y no aleatorios provocados por el hombre en todos los eslabones, desde el diseño hasta la implementación experimental y el análisis de resultados. No es causado por un muestreo, sino por un sesgo que hace que los resultados experimentales se desvíen de sus valores reales. Desde la pregunta biomédica seleccionada hasta el desarrollo e implementación del protocolo de investigación, la finalización del experimento, el análisis e interpretación del experimento e incluso la publicación de los resultados experimentales, pueden existir varios sesgos [2]. Esta desviación suele manifestarse como un error sistemático. La magnitud del sesgo depende del método de investigación y de las condiciones experimentales específicas. Los sesgos comunes incluyen el sesgo de selección, el sesgo de observación y el sesgo de confusión. Debemos reconocer el sesgo en el proceso experimental y controlarlo desde el diseño experimental hasta el final de todo el proceso de investigación. Un diseño experimental adecuado puede controlar el sesgo de selección, y el control artificial previo y la adopción de las medidas correspondientes pueden evitar y reducir el sesgo de observación. Para el sesgo de confusión, en la etapa de diseño, los factores de confusión importantes se pueden diseñar de manera aleatoria estratificada para que los factores de confusión se distribuyan uniformemente entre los grupos; en la etapa de análisis estadístico, los factores de confusión se pueden considerar como factores estratificados o se pueden utilizar métodos de análisis de covariables; Se utiliza para eliminar la influencia de factores de confusión. Sólo controlando o eliminando eficazmente el sesgo se pueden reducir los resultados falsos positivos o falsos negativos.
1.2 Reducir el impacto potencial de eventos inesperados
El papel de los factores accidentales se puede reducir, pero no eliminar por completo. Porque incluso en estudios bien realizados, es poco probable que los animales que reciben el mismo tratamiento tengan exactamente la misma respuesta. Un análisis estadístico apropiado permite al experimentador estimar la probabilidad de un falso positivo, es decir, la probabilidad de observar una diferencia a pesar de que el tratamiento no tenga ningún efecto. Cuanto menor sea la probabilidad, mayor será la posibilidad de que el experimentador detecte un efecto real. Para detectar efectos reales con mayor confianza, es necesario reducir el papel del azar y garantizar mediante el diseño experimental que la "señal" real pueda identificarse por encima del "ruido".
1.3 Elementos del diseño experimental
Para eliminar posibles sesgos y reducir las posibilidades en los experimentos biomédicos, los experimentos deben diseñarse y controlarse cuidadosamente de acuerdo con los cuatro principios de control, repetición y aleatorización. y equilibrio. Los tres elementos del diseño son objetos experimentales, factores de procesamiento y efectos experimentales [3]. 1.3.1 Objetos experimentales Los objetos que se ven afectados por factores de procesamiento en el experimento se denominan objetos experimentales. Es necesario seleccionar diferentes tipos de sujetos experimentales para realizar estudios experimentales de diferente naturaleza. El número total de sujetos experimentales necesarios para un diseño experimental completo se denomina tamaño de muestra. Al considerar sujetos de experimentación con animales en experimentos biomédicos, se debe prestar atención a los siguientes aspectos: ① Selección de especies animales: Al seleccionar las especies de animales de experimentación, se debe prestar especial atención al nivel de sus reacciones de fondo. Maximizar el nivel de "señal" de respuesta normalmente significa que deben evitarse aquellas especies o cepas animales con niveles de respuesta extremadamente bajos, pero también pueden surgir problemas si se utilizan especies o cepas animales con una respuesta excesiva. Otras cuestiones en la selección de especies animales, ya sean prácticas (vida útil, tamaño corporal, disponibilidad, comprensión de las características zoológicas) o teóricas (similitudes bioquímicas, fisiológicas o anatómicas con los humanos), requieren aportaciones profesionales. Considere y sopese cuidadosamente los ángulos. ②Número de animales: aunque el número de animales (contenido de la muestra) necesarios para un experimento se puede obtener desde la perspectiva del diseño estadístico, los valores obtenidos suelen ser muy grandes.
Por lo tanto, aunque la estimación del tamaño de la muestra es un requisito previo para garantizar la confiabilidad de la conclusión (precisión y eficiencia de la prueba), debe determinarse en función de la operatividad del experimento y la consideración de principios económicos, combinados con los resultados de cálculos estadísticos y estudios biomédicos previos. experiencia de investigación. ③ Peso y edad de los animales: para garantizar la homogeneidad de los sujetos experimentales, el peso y la edad de los animales utilizados en los experimentos deben ser lo más cercanos posible, la desviación estándar del peso de los animales no debe exceder 10 de la diferencia de edad; entre roedores y otros animales pequeños no debe exceder de 1 semana, y la diferencia de edad para animales grandes no debe exceder de 1 mes. ④Estratificación animal: para detectar con precisión las diferencias causadas por un factor de tratamiento, cada grupo de tratamiento debe ser lo más homogéneo posible en términos de otros factores ajenos al tratamiento que pueden afectar los resultados experimentales. Cuando existen diferencias entre linajes animales, existen dos formas de llegar a conclusiones más precisas. Una es tratar los subsistemas como "variables jerárquicas" en la etapa de análisis de resultados, incluido el análisis de los resultados de los dos subsistemas por separado y luego sintetizar los resultados para obtener una conclusión general sobre el efecto del tratamiento; la segunda es tratar los subsistemas como "variables jerárquicas" en la etapa de análisis de resultados; "impedimentos" en el diseño experimental. "factor de disrupción", en cuyo caso el número de animales por subsistema en los grupos de control y tratamiento puede ser igual. Además de las "subfilas" analizadas anteriormente, otros factores no relacionados con el procesamiento, como el sexo, el tipo de nido, el segmento de peso, etc. , también se puede utilizar como variable de estratificación para el control local y, en consecuencia, se puede realizar una agrupación aleatoria estratificada. 1.3.2 Factores de procesamiento Al diseñar un estudio experimental, es necesario aclarar los factores de procesamiento en estudio y los factores no relacionados con el procesamiento que afectan los resultados experimentales. Los investigadores esperan que a través de arreglos planificados de diseños de investigación, los factores que pueden examinar científicamente sus efectos se denominen factores de procesamiento o factores experimentales; los investigadores a menudo ignoran factores importantes que no son de procesamiento o factores no experimentales (como el nido, el peso, etc. del animal). ) Evaluación de factores que interfieren en el experimento. Los efectos combinados de muchos otros factores incontrolables se conocen colectivamente como error experimental. Los resultados experimentales son los efectos experimentales producidos por la interacción de factores de procesamiento y factores de no procesamiento. Por lo tanto, cómo controlar y eliminar la interferencia de factores ajenos al procesamiento y mostrar correctamente el efecto del procesamiento es la tarea básica del diseño experimental. 1.3.3 Efecto experimental El efecto experimental es la reacción y el resultado de los factores de procesamiento que actúan sobre el sujeto. Es un signo que refleja la fuerza de los factores experimentales y se refleja en la observación de indicadores (los indicadores a menudo se denominan variables en estadística). Si la selección de indicadores es inadecuada y no refleja con precisión el papel de los factores de procesamiento, los resultados de la investigación obtenidos no serán científicos. Por lo tanto, la selección de indicadores de observación es un vínculo importante relacionado con el éxito o el fracaso de toda la investigación. La observación de indicadores debe evitar sesgos o desviaciones, combinar conocimientos profesionales y seleccionar tantos indicadores objetivos como sea posible. En las condiciones permitidas por el instrumento y los reactivos, seleccionar tantos indicadores objetivos como sea posible con gran especificidad, alta sensibilidad, precisión y confiabilidad. . Para algunos indicadores semiobjetivos (como lecturas en papel de prueba de pH en orina) o subjetivos (medición del comportamiento, observación patológica), se deben especificar estándares estrictos de valores de lectura de antemano. Sólo de esta manera se podrán analizar con precisión los resultados experimentales y mejorar la credibilidad de los resultados experimentales.
1.4 Principios de diseño experimental
Para evitar sesgos en los resultados y garantizar la precisión y máxima expresión de los resultados experimentales, se deben seguir cuatro principios de diseño estadístico al diseñar experimentos biomédicos básicos. Principios: comparación, repetición, aleatorización y equilibrio. La configuración del grupo de control en experimentos biomédicos debe cumplir tres condiciones: ① El principio de equivalencia, es decir, el principio de diferencia única. Además de los factores de procesamiento, el grupo de control también tenía los mismos factores de no procesamiento que el grupo experimental. Al comparar cada grupo entre sí, excepto por diferentes factores de tratamiento, otros aspectos deben ser consistentes con el grupo experimental, como la misma fuente de unidades experimentales (especie animal, peso, etc.) y las mismas condiciones experimentales, métodos operativos y alimentación. ambiente. ②Principio de sincronización: una vez establecidos el grupo de control y el grupo experimental, siempre estarán en el mismo tiempo y espacio durante todo el proceso de investigación. ③Principio de diseño especial, cualquier grupo de control está configurado especialmente para el grupo experimental correspondiente. Los registros de la literatura, los resultados anteriores u otros datos de investigación no se utilizarán para comparar en este estudio.
1.5 Tipos comunes de diseños experimentales en biomedicina
Si es necesario evaluar varios efectos diferentes simultáneamente en el mismo experimento, el experimentador debe organizar un experimento que pueda distinguir las diferencias entre los efectos. Métodos de diseño experimental. Los diseños experimentales comúnmente utilizados en biomedicina incluyen los siguientes. 1.5.1 Diseño completamente al azar El diseño completamente al azar es el método de diseño experimental más comúnmente utilizado en experimentos biomédicos con animales.
Este es un diseño experimental de nivel k de un solo factor (k≥2). Es decir, el diseño experimental puede establecer un plan experimental para un grupo de control o grupos de dosis múltiples. Este diseño garantiza que cada animal de experimentación tenga las mismas posibilidades de recibir cualquiera de los tratamientos, independientemente de las predisposiciones subjetivas del experimentador. Este diseño aplica los principios de repetición y aleatorización, por lo que los resultados experimentales pueden ser básicamente consistentes con la influencia de factores no relacionados con el procesamiento y reflejar verdaderamente el efecto de procesamiento del experimento. 1.5.2 Diseño de bloques aleatorios El diseño de bloques completos aleatorios, denominado diseño de bloques aleatorios, también conocido como diseño de grupos emparejados, es una extensión del diseño emparejado. Varios sujetos con las mismas condiciones se dividen en el mismo bloque o grupo emparejado y luego. Los sujetos del mismo grupo coincidente fueron asignados aleatoriamente a cada grupo experimental según el principio de aleatoriedad. La ventaja de este método de diseño es que las k unidades experimentales en cada bloque tienen buena homogeneidad, lo que hace que sea más fácil detectar diferencias entre tratamientos que un diseño completamente al azar. En este método, se debe prestar especial atención al requisito de que el número de unidades experimentales en el bloque sea igual al número de procesos. Si faltan valores en los resultados experimentales, parte de la información se perderá en el análisis estadístico. 1.5.3 Diseño de cuadrado latino El diseño de cuadrado latino tiene controles locales dobles en las direcciones horizontal y vertical, convirtiendo ambas direcciones horizontal y vertical en bloques. Es un diseño con un factor de bloque más que el diseño de bloques aleatorios. En un diseño de cuadrado latino, cada fila o columna se convierte en un bloque completo y cada tratamiento ocurre sólo una vez en cada fila o columna. Es decir, en el diseño del cuadrado latino, el número de tratamientos experimentales = el número de bloques horizontales = el número de bloques verticales = el número de repeticiones de los tratamientos experimentales. 1.5.4 Diseño factorial El diseño experimental factorial, también conocido como diseño experimental de factores completos, es un diseño multifactorial, multinivel y de efecto único. No solo puede probar la diferencia de efecto entre cada factor y cada nivel, sino también probar la interacción entre cada factor. La interacción se refiere a la diferencia de efectos entre diferentes niveles de un factor afectado por otro factor, incluida la interacción sinérgica y la interacción antagónica. Los experimentos factoriales se utilizan principalmente para analizar interacciones. Cuando hay demasiados factores y niveles, el número de sujetos, grupos de tratamiento y experimentos aumentará considerablemente, por lo que generalmente se utilizan experimentos factoriales simples. Los experimentos multifactoriales y multinivel generalmente adoptan un diseño experimental ortogonal [5].
2 Estadísticas descriptivas de experimentos biomédicos con animales
2.1 Tipos de datos de experimentos biomédicos
Observaciones sobre las mediciones posteriores a la intervención de sujetos experimentales (animales) en experimentos biomédicos Indicadores generalmente se clasifican en las siguientes categorías: ① Datos continuos: los resultados de la medición son datos con tamaño y unidades numéricas, que en estadística se denominan datos cuantitativos, como indicadores fisiológicos y bioquímicos, peso corporal, peso de órganos, etc. (2) Datos clasificados: los resultados de la medición se clasifican en categorías cualitativas según ciertos atributos, llamados estadísticamente datos cualitativos, y se pueden dividir en datos binarios, datos nominales de valores múltiples y datos ordenados de valores múltiples. Aparece o no reacción, muerte o no muerte, presencia o ausencia de deformidad, gravedad del daño patológico (ninguna, leve, moderada, grave), etc.
2.2 Indicadores estadísticos descriptivos
La estadística descriptiva (o estadística inductiva) es un estudio cuantitativo de la distribución de frecuencia de datos de observación/medición de muestras. El objetivo de la estadística descriptiva es: ① resumir y concentrar los valores medidos o los valores observados y expresarlos en forma de estadísticas, gráficos estadísticos o tablas estadísticas; ② estimar los parámetros de la distribución general; 2.2.1 Clasificación y exploración de datos Para un determinado índice de medición, su tipo de distribución generalmente debe conocerse a partir de la literatura. Si no existe una base teórica para juzgar la distribución de probabilidad, es necesario utilizar una muestra grande para repetir la medición, dibujar el diagrama de distribución de frecuencia de la muestra (teóricamente el tamaño de la muestra es mayor que 100) y ajustar su distribución mediante estadísticas. pruebas. 2.2.2 Estadísticas descriptivas de datos ① Distribución de frecuencia de datos continuos: Al preparar una tabla de distribución de frecuencias o hacer un diagrama de tallo y hojas de datos de muestra, el tipo de distribución de datos, la tendencia central y la tendencia discreta de la distribución de frecuencias Se pueden determinar y estimar los parámetros generales, así como los valores atípicos fáciles de encontrar. ② Estadísticas descriptivas de la posición central: describen la tendencia central de la distribución de datos. Los indicadores comúnmente utilizados incluyen media aritmética, mediana, moda, media geométrica, etc. ③ Estadísticas descriptivas de dispersión: describe la tendencia de dispersión de la distribución de datos. Los indicadores comúnmente utilizados incluyen desviación estándar y varianza, rango e intervalo intercuartílico, coeficiente de variación y coeficiente de dispersión, etc.
④Gráficos estadísticos: los gráficos estadísticos incluyen histogramas y diagramas de tallo y hojas de distribución continua de datos, gráficos de barras de puntos (media y desviación estándar cuando se trazan) y diagramas de caja y bigotes (mediana, rango y rango intercuartil cuando se trazan). , gráficos de percentiles y gráficos circulares que describen datos de proporciones, gráficos de líneas que describen tendencias que varían en el tiempo, gráficos de probabilidad-probabilidad (gráficos P-P) para tipos de distribución de predicción y prueba. Las tablas estadísticas son sencillas y claras, fáciles de entender y comparar. En principio, al preparar cuadros estadísticos se deben resaltar los puntos clave y la organización debe ser clara para evitar demasiadas capas o una estructura confusa. Un cuadro estadístico general debe ser un cuadro de tres líneas, con sólo líneas horizontales y sin líneas verticales ni diagonales. El título del cuadro estadístico debe ser claro y no demasiado complicado.
3 Pruebas de hipótesis en experimentos biomédicos con animales
La situación más común en los experimentos biomédicos con animales es realizar comparaciones entre grupos después de diferentes sujetos dados. A través de la hipótesis en estadística, la prueba ilustra la. el papel del sujeto. Se deben tener en cuenta las siguientes cuestiones al probar hipótesis.
3.1 Bases para la selección de métodos de prueba
3.1.1 Tipo de datos y número de variables Se deben utilizar diferentes métodos de prueba estadísticos para comparar diferentes tipos de datos (cuantitativos y cualitativos). Los métodos de prueba estadística univariante y multivariante también son diferentes. 3.1.2 Tipo de diseño experimental El método de prueba estadístico correspondiente debe seleccionarse de acuerdo con el tipo específico de diseño experimental para obtener conclusiones verdaderas sobre el efecto del grupo de tratamiento. 3.1.3 Requisitos previos para los métodos de prueba Antes de elegir un método de prueba de hipótesis, necesitamos saber si los datos que se analizan cumplen con los requisitos previos para el método de prueba correspondiente. Por ejemplo, los métodos de prueba paramétricos como la prueba T y el análisis de varianza requieren que los datos cumplan con la normalidad y la homogeneidad de las varianzas. La prueba 2 requiere que el tamaño de la muestra sea mayor que 40 y la frecuencia teórica sea mayor que 5.
3.2 Prueba de normalidad y prueba de bondad de ajuste
La prueba de hipótesis estadística debe determinar si la distribución de frecuencia de la muestra se ajusta a una determinada distribución teórica. Si cumple con los requisitos, se puede basar en esto La distribución teórica se procesa estadísticamente. Se pueden utilizar pruebas de normalidad para distribuciones normales y pruebas de bondad de ajuste para otras distribuciones. Por lo general, podemos averiguar a qué distribución teórica se ajustan los parámetros experimentales consultando la literatura.
3.3 Prueba de homogeneidad de la varianza
La segunda razón por la que los datos continuos no cumplen la premisa del análisis estadístico paramétrico es que la varianza es desigual. En términos generales, cuanto mayor es el número, mayor es su variabilidad inherente. Por ejemplo, si el valor de respuesta promedio de un grupo de animales es 100, el rango de valores puede ser de 80 a 120; si el valor de respuesta promedio de otro grupo de animales es 300, el rango de valores puede ampliarse; a 240 a 360. Una medida para abordar la variación desigual es la transformación de datos. Si la desviación estándar de los datos es proporcional a la media, es aconsejable convertir los datos a un valor logarítmico antes de realizar el análisis estadístico. Según esto, no sólo la variabilidad de los datos es independiente de la media, sino que también se garantiza que será más consistente con una distribución normal. Si el aumento en la variabilidad de los datos no está significativamente relacionado con la media, es más fácil hacer que la variabilidad de los datos sea independiente de la media mediante una transformación de raíz cuadrada. Es posible que algunos datos aún tengan varianzas desiguales después de la transformación logarítmica o de raíz cuadrada. En este caso, se deben utilizar pruebas no paramétricas.
3.4 Inspección unilateral e inspección bilateral
Ya sea que elija la inspección unilateral o la inspección bilateral, debe elegir de antemano basándose en el conocimiento profesional. En términos generales, si el propósito del estudio es solo comprender si existen diferencias entre los grupos y el experimentador no puede predecir la dirección del cambio entre los grupos y espera obtener resultados tanto positivos como negativos, se debe realizar una prueba bilateral. utilizarse. Si la dirección del cambio de la diferencia entre grupos se puede predecir de antemano, el experimentador sólo está interesado en un determinado aspecto, y el experimentador sólo quiere saber si la diferencia con el grupo de control es positiva o negativa, entonces una evaluación unilateral se debe utilizar la prueba. Además, la prueba preliminar del diseño de dosis debe ser una prueba bilateral y la prueba formal puede ser una prueba unilateral después de comprender la información relevante.
3.5 Comparaciones múltiples y problemas múltiples
Los experimentos biomédicos a menudo comparan múltiples variables entre los grupos de tratamiento y control. Incluso si no existe un efecto experimental real, es posible que una o más variables sean significativamente diferentes en un nivel de prueba de 5 debido a pura casualidad. Además de los problemas de multiplicidad mencionados anteriormente que aumentan la probabilidad de error Tipo I debido a múltiples comparaciones de medias, otros problemas de multiplicidad incluyen múltiples análisis intermedios, centrados en múltiples resultados, múltiples comparaciones entre subgrupos, etc.
Los principios para abordar cuestiones de multiplicidad incluyen: ① planificar comparaciones múltiples por adelantado; ② limitar el número de comparaciones; (3) adoptar estándares de límites más estrictos para comparaciones múltiples que tengan una base biológica;
3.6 Independencia de los valores observados u objetos experimentales
Muchos métodos de prueba estadística requieren que los valores observados u objetos experimentales sean independientes entre sí, como la prueba de razón, la prueba t y análisis de varianza de distribución binomial, etc. Sin embargo, en algunos experimentos biomédicos, las unidades de observación no son independientes. Por ejemplo, existe un efecto nido en la investigación sobre el desarrollo reproductivo: debido a la similitud de los factores genéticos, el entorno de desarrollo intrauterino y el entorno del metabolismo de los fármacos, la probabilidad de respuesta a los efectos tóxicos de los compañeros de camada tiende a ser sistemática en comparación con los compañeros de camada, es decir, los compañeros de camada. Los datos incluidos son datos agregados, que son datos comunes no independientes. Existe un riesgo potencial al ignorar las correlaciones dentro del nido en los datos en los análisis estadísticos; debido a que las observaciones de los compañeros de camada K son todas * * *, proporcionan menos información que los compañeros de camada K de diferentes madres. Cuanto mayor es la correlación en el anidamiento, menos información contiene. El error estándar medio de los datos agregados es menor que el error estándar medio de los datos independientes. Por tanto, si el método de análisis estadístico se basa en observaciones independientes, la probabilidad de cometer un error de Tipo I aumentará, es decir, aumentará el riesgo de falsos positivos y disminuirá la validez del experimento.
3.7 Aplicación de datos de control históricos
En algunos casos, especialmente aquellos con baja incidencia, un solo estudio puede sugerir que el tratamiento puede afectar la incidencia de tumores, pero no sacar conclusiones claras. Un posible método de análisis es comparar los datos de los grupos de tratamiento con los datos de los animales de control de otros estudios. Aunque los datos comparativos históricos son significativos, vale la pena enfatizar que el grado de variación entre estudios es mayor que el grado de variación dentro de los estudios por varias razones. Fuente animal, condiciones de alimentación y alimentación, período de estudio, mortalidad animal en el estudio, patólogo que leyó la película, etc. Todo puede afectar la incidencia final de los tumores. Por lo tanto, ignorar estas diferencias y comparar la incidencia de tumores en el grupo de tratamiento con el grupo de control combinado puede conducir a resultados seriamente erróneos e inflar significativamente el nivel de significación estadística. Tarone [4] revisó el análisis de los datos de proporciones de los grupos de control históricos.
3.8 Limitaciones de la prueba de hipótesis
En primer lugar, el valor p en la prueba de hipótesis no puede proporcionar información directa sobre el tamaño del efecto inducido por el tratamiento. Se puede inducir una cierta cantidad de mayor respuesta en un sujeto determinado, pero si este aumento es estadísticamente significativo depende del tamaño del estudio y la variabilidad de los datos. En estudios pequeños, es posible pasar por alto efectos grandes e importantes, especialmente si el criterio de valoración no se mide con alta precisión. Por el contrario, en estudios a gran escala, los efectos más pequeños e insignificantes son estadísticamente significativos. Por ejemplo, en comparación con el fármaco C, el fármaco D tiene un efecto reductor de la presión arterial de casi 30 mmHg, pero como el número de casos es sólo 10, la prueba de hipótesis no encontró diferencias significativas (P = 0,31). Por el contrario, el efecto antihipertensivo del fármaco B es de sólo 0,2 mmHg en comparación con el fármaco A, pero como el número de casos llegó a 500, la prueba de hipótesis encontró una diferencia significativa (P
;