Acceso usuarios
Javier Piury Pinzón, Lucía Cayuela Rodríguez, Aurelio Cayuela Domínguez, Manuel Ortega Calvo 
La conceptualización de los modelos matemáticos es una tarea difícil para los profesionales sanitarios que se dedican a tareas clínicas. Uno de los más utilizados es la regresión logística binaria (RLB). Nuestro objetivo en este artículo es tratar de acercar y de hacer comprender a los clínicos, la historia, el substrato matemático y la utilidad predictiva de la RLB. La función logística no es más que un modelo lineal, en el que a diferencia de la ecuación de la recta, la variable resultado es el logaritmo natural de una odds ratio observada, y las variables predictoras poseen unos coeficientes “ β ” que también son los logaritmos naturales de las odds ratio observadas en el trabajo científico que estemos llevando a cabo. La función logística se adapta muy bien a fenómenos clínico-biológicos, por ejemplo, la aparición de la epidemia de SIDA en los Estados Unidos de América o la curva de disociación de la hemoglobina. Cuando el ordenador nos ofrece los valores de los coeficientes para nuestras variables predictoras, nos está dando una función de tipo logístico que nos permite predecir si las observaciones futuras van a poder ser clasificadas en una u otra categoría de la variable resultado binaria. Cada modelo de RLB tiene su equivalente en un área bajo la Curva ROC determinada (Teoría de las Pruebas diagnósticas). Cuando generamos un diagnóstico médico o enfermero, realmente estamos aplicando un modelo de RLB. En Framingham se utilizaron por primera vez dentro de la investigación epidemiológica.
The conceptualization of mathematical models is a hard duty for healthcare professionals engaged in clinical tasks. One of the most used is binary logistic regression (BLR) . Our objective in this paper is to try to bring closer and make clinicians understand the history, the mathematical groundwork and the predictive usefulness of BLR. The logistic function is nothing more than a linear model, in which, unlike the equation of the line, the result variable is the natural logarithm of an observed odds ratio, and the predictor variables have coefficients “β” that are also the natural logarithms of the odds ratios observed in the scientific work that we are carrying out. The logistic function adapts very well to clinical-biological phenomena, for example, the emergence of the AIDS epidemic in the United States of America or the hemoglobin dissociation curve. When the computer offers us the values of the coefficients for our predictors, it is giving us a logistic-type function that allows us to predict whether future observations will be able to be classified into one or another category of the binary outcome variable. Each BLR model has its equivalent in an area under the determined COR Curve (Diagnostic Tests Theory). When we generate a medical or a nursing diagnosis, we are really applying an BLR model. In Framingham they were used for the first time in epidemiological research.
