¿Qué es una base de datos normativa?

Novedades de Polygon 4.4.6

Según O’Connor (1990), los datos normativos son datos (observacionales, empíricos, estadísticos) que resumen lo que es habitual o típico en una población, cultura, institución o sistema de salud definidos en un punto o periodo de tiempo específico, y describen fenómenos o características observadas.

Los datos normativos se utilizan para comparar las características o condiciones específicas de un grupo de personas o de una persona individual con los datos de la persona media de un grupo de referencia (The EuroQol Group’s International Task Force on Self-Reported Health, 2004). Por lo tanto, estos datos permiten identificar las variaciones en las características medidas en comparación con la distribución de estas características en la población de referencia. De este modo, la población de referencia indica lo que es “normal”, y los datos normativos ayudan a identificar las desviaciones de estas normas (Ware y Keller, 1996).

Establecimiento de una biblioteca de neuroimagen normativa para apoyar la LCT

Recientemente, tuve el honor de participar en un proyecto de investigación de cardiología pediátrica dirigido por: Hospital Infantil Universitario de Liubliana (UCHL), Departamento de Endocrinología, Diabetes y Metabolismo; Centro Médico Universitario de Liubliana (UMCL); y, la Facultad de Medicina de la Universidad de Liubliana. Los resultados de la investigación se revelaron en un artículo de investigación original, titulado “Carotid Intima-Media Thickness in Healthy Children and Adolescents: Normative Data and Systematic Literature Review”, publicado recientemente en la revista Frontiers in Cardiovascular Medicine [1]. El objetivo principal de esta investigación era determinar los valores normativos del grosor íntima-media carotídeo (GIMC) en una población infantil sana, lo que permitiría comparar y evaluar las mediciones del GIMC y mejorar su utilidad clínica como indicador de aterosclerosis.

Creo que la investigación añadirá valor a la práctica clínica y mejorará la atención preventiva. Mi función principal en la investigación fue llevar a cabo todos los análisis estadísticos y proporcionar asesoramiento estadístico y presentaciones visuales de los resultados. Por ello, en esta entrada del blog me gustaría destacar la importancia de los datos estructurados en la investigación médica avanzada.

Análisis de la marcha en 3D en Deakin

Como en cualquier laboratorio de marcha, es importante establecer un depósito de datos cinemáticos, cinéticos y electromiográficos (EMG) normativos que sirvan de control para los proyectos en curso que impliquen a poblaciones discapacitadas. Con este fin, nuestro proyecto incluyó, en primer lugar, el inicio de la recogida de datos para construir nuestra base de datos de personas sin discapacidades, utilizando pruebas de marcha clínicas y de investigación típicas. Desarrollamos un protocolo experimental que incluía la marcha en cinta rodante en estado estable y una serie de tareas de marcha sobre el terreno que incluían ensayos con giros de 180 grados, marcha a lo largo de una pseudo viga de equilibrio y una colección de giros de pivote en combinación con un conjunto de ascenso y descenso de escaleras. Hasta la fecha, hemos recogido datos de 3 sujetos que han completado estas tareas en condiciones de pie descalzo y calzado.

Además de iniciar nuestro repositorio de datos normativos, actualmente estamos aprovechando nuestros datos de EMG recogidos para investigar cómo el número y la elección de los músculos registrados afecta al análisis de sinergia general en la extremidad inferior. Los teóricos de la sinergia conjeturan que el cerebro orquesta el movimiento controlando grupos de músculos (sinergias) de forma concertada en lugar de controlar cada músculo individualmente. Estas sinergias pueden calcularse utilizando la EMG para identificar qué músculos pueden estar agrupados. En los proyectos en los que se realizan mediciones de EMG durante la ejecución de tareas funcionales, los experimentadores suelen decidir registrar un subconjunto de músculos implicados en la tarea debido a que disponen de un número limitado de sensores de EMG.  Sin embargo, las sinergias musculares calculadas a partir de estos subconjuntos de músculos relevantes pueden carecer de similitud entre sí y las sinergias obtenidas a partir de un conjunto maestro de todos los músculos implicados en la tarea.  Por lo tanto, los equipos de investigación deberían tener una forma de elegir sistemáticamente los músculos funcionalmente relevantes, y un número suficiente de ellos, para producir sinergias que se parezcan a las calculadas a partir de un conjunto maestro de músculos.  En las extremidades superiores, estudios anteriores han demostrado que estas tres cosas aumentan las medidas de similitud entre las sinergias obtenidas a partir de subconjuntos de músculos y las producidas a partir de una lista maestra 1) aumentar el número de músculos incluidos en los subconjuntos, 2) registrar los músculos dominantes (o más activos) y 3) registrar los músculos más grandes.

Comparación de datos normativos

Desarrollar la primera base de datos normativa de exploraciones maculares y circumpilares con valores de referencia a nivel del A-scan utilizando el equipo de Tomografía de Coherencia Óptica (OCT) Heidelberg Spectralis.

Este estudio es un análisis transversal retrospectivo de escaneos OCT maculares y circumpapilares de individuos sanos. A todos los participantes se les realizó un examen oftalmológico completo, que incluía la agudeza visual mejor corregida, la presión intraocular, la biomicroscopía, el examen del segmento posterior y la exploración OCT. Se analizaron el volumen y el grosor de cada una de las nueve zonas de retinopatía diabética de tratamiento temprano en la mácula para el grosor total de la retina, la capa de fibras nerviosas de la retina (RNFL), la capa de células ganglionares (GCL) y la capa plexiforme interna (IPL). El grosor de la RNFL circumpapilar se analizó en el disco. Se exploraron las asociaciones entre la edad, el sexo, el error de refracción y las mediciones de la OCT. Los A-scans desidentificados se extrajeron de la máquina OCT como archivo de texto separado por pestañas y se pusieron a disposición según la declaración de intercambio de datos.