El libro recorre la bioestadística con Python: limpiar y describir datos, contrastes de hipótesis y tamaños del efecto, modelos predictivos, diseño de estudios clínicos, análisis de supervivencia y síntesis de evidencia de varios estudios. Está pensado para quien trabaja en investigación biomédica, no para consultoría de sistemas.
Qué me llevé
El tamaño del efecto. En medicina no basta con que una diferencia sea estadísticamente detectable: hay que decir cuán grande es y si le cambia la vida a alguien. En los proyectos de empresa pasa lo mismo y casi nadie lo exige. Que un proceso mejore «de forma significativa» no dice nada si la mejora es de dos minutos al mes. Desde que lo tengo presente, cualquier afirmación de mejora que escribo lleva la magnitud al lado.
El diseño del estudio antes de mirar los datos. En un estudio clínico se define qué se va a medir, con quién y cómo se decide el resultado, y se escribe antes de empezar. Trasladado a una prueba piloto de cualquier cosa, evita el vicio más común: correr el piloto, mirar todo, y quedarse con el número que quedó bonito.
Y el análisis de supervivencia, que resultó ser lo que hace falta cuando la pregunta es cuánto tarda en pasar algo y no todos los casos terminaron: clientes que todavía no se han ido, facturas que aún no se pagaron. Hay una manera correcta de tratar esos casos incompletos y no es ignorarlos.
Qué dejé fuera
La mitad clínica entera, que es la mayor parte: ensayos, cohortes, síntesis de literatura médica. No trabajo ahí y no voy a fingir que sí. Como libro de estadística general tiene competencia mucho mejor; su valor para mí fue prestado de otro oficio, y así lo cuento.