Validez de apariencia, fiabilidad y consistencia interna de un modelo predictivo de mortalidad en pacientes con enfermedad renal crónica
Palabras clave:
consistencia interna; enfermedad renal crónica; fiabilidad; modelo predictivo; validaciónResumen
Introducción: A pesar de que existen varios modelos predictivos de mortalidad en la enfermedad renal crónica, la evidencia de métricas de validez, fiabilidad y consistencia interna es limitada, heterogénea y afecta la aplicabilidad y generalización.
Objetivo: Evaluar la validez de apariencia, fiabilidad y consistencia interna de un modelo predictivo de mortalidad en la enfermedad renal crónica.
Métodos: Se realizó un estudio descriptivo, de validación de apariencia, fiabilidad y consistencia interna. Se tomó una muestra por intencionalidad que incluyó a 10 expertos a los que se le aplicó un cuestionario sobre un modelo predictivo de mortalidad en pacientes con enfermedad renal crónica, mediante el método de consenso de expertos descrito por Delphi. Se determinó el coeficiente alfa de Cronbach y se calculó para cada uno de los predictores del modelo predictivo. Se utilizó el método de división por mitades de Spearman-Brown para el análisis de la consistencia interna.
Resultados: Los expertos evidenciaron un coeficiente K > 0,8 respecto a la predicción de mortalidad en la enfermedad renal crónica. La fiabilidad fue alta (α= 0,824), lo que indica una reproducibilidad sobresaliente en las estimaciones. Si los predictores: enfermedad cardiovascular, albúmina < 30 g/L y sepsis son eliminados del modelo predictivo, disminuye el resultado en el alfa global. El coeficiente de Spearman-Brown ꞊ 0,842 traduce que existe adecuada correlación y coherencia entre los predictores para medir el constructo.
Conclusiones: El modelo predictivo demostró una sólida validez aparente, alta fiabilidad y adecuada consistencia interna, por lo que puede usarse como herramienta de apoyo clínico.
Descargas
Citas
1. Bello A, Okpechi I, Osman M, Cho Y, Htay H, Jha V, et al. Epidemiology of haemodialysis
outcomes [Internet]. Nature Reviews Nephrology 2022;47(8):835–850. DOI: https://doi.org/10.1038/s41581-022-00542-7
2. Chadban S, Arici M, Power A, Wu MS, Mennini FS, Arango-Álvarez JJ, et al. Projecting the economic burden of chronic kidney disease at the patient level (Inside CKD): a microsimulation modelling study [Internet]. EClinicalMedicine 2024;72(1):102615. DOI: https://doi.org/10.1016/j.eclinm.2024.102615
3. Escalona-González SO, González-Milán ZC. Predicción de mortalidad en pacientes con enfermedad renal crónica en hemodiálisis: inteligencia artificial frente a los modelos predictivos tradicionales [Internet]. Revista Electrónica Dr. Zoilo E. Marinello Vidaurreta 2025 [acceso: 06/07/2025]; 50(1):e3914. Disponible en: https://revzoilomarinello.sld.cu/index.php/zmv/article/view/3914
4. Hippisley-Cox J, Coupland C, Bafadhel M, Russell R, Sheikh A, Brindle P, et al. Development and validation of a new algorithm for improved cardiovascular risk prediction [Internet]. Nature Medicine 2024;30(5):1440-7. DOI: https://doi.org/10.1038/s41591-024-02905-y
5. Wlliams K, Michalska S, Cohen E, Szomszor M, Grant J. Exploring the application of machine learning to expert evaluation of research impact [Internet]. Plos one 2023;18(8):e0288469. DOI: https://doi.org/10.1371/journal.pone.0288469
6. Rahrooh A, Garlid AO, Bartlett K, Coons W, Petousis P, Hsu W, et al. Towards a framework for interoperability and reproducibility of predictive models [Internet]. Journal of Biomedical Informatics 2024;149(1):104551. DOI: https://doi.org/10.1016/j.jbi.2023.104551
7. Luo W, Phung D, Tran T, Gupta S, Rana S, Karmakar C, et al. Guidelines for developing and reporting machine learning predictive models in biomedical research: a multidisciplinary view [Internet]. Journal of medical Internet research. 2016;18(12):e323. DOI: https://doi.org/10.2196/jmir.5870
8. Escalona-González SO, Caballero-Mota Y, Rodríguez-Alvarez Y, León-Acebo M, González-Milán ZC, Ricardo-Páez B, et al. Red neuronal artificial para la predicción de mortalidad de pacientes con enfermedad renal crónica [Internet]. Revista Cubana de Medicina Militar. 2024 [acceso: 06/07/2025]; 53(3):e024038408. Disponible en: https://revmedmilitar.sld.cu/index.php/mil/article/view/38408
9. Burguet Lago I, Rodríguez Rabelo A, Jorge Chacón D. Aplicación de tecnologías para la determinación de la competencia de los expertos [Internet]. Revista Cubana de Ciencias Informáticas 2019 [acceso: 06/07/2025];13(1):116-26. Disponible en: http://scielo.sld.cu/scielo.php?pid꞊S2227-18992019000100116&script꞊sci_arttext&tlng꞊en
10. Rivera-Cantos GL, Orellana-Romero JE, Barzola-Veliz VM. Validación de una estrategia educativa mediante el método de criterio de expertos o Delphi [Internet]. Revista Estudios del Desarrollo Social: Cuba y América Latina. 2023 [acceso: 06/07/2025];11(3):e40. Disponible en: http://scielo.sld.cu/scielo.php?pid=S2308-01322023000300040&script=sci_arttext
11. Majszak M, Jebeile J. Expert judgment in climate science: How it is used and how it can be justified [Internet]. Studies in history and philosophy of science. 2023;100(1):32-8. DOI: https://doi.org/10.1016/j.shpsa.2023.05.005
12. Belmar-Garrido HM. Expert validation of a Python test, reliability, difficulty and discrimination indices [Internet]. Journal of Education and Development. 2023;7(1):52. DOI: https://doi.org/10.20849/jed.v7i1.1320
13. Rodríguez-Rodríguez J, Reguant-Alvarez M. Calcular la fiabilidad de un cuestionario o escala mediante el SPSS: el coeficiente alfa de Cronbach [Internet]. Revista de innovación e investigación. 2020;13(2):8. DOI: https://doi.org/10.1344/reire2020.13.230048
14. Luo W, Phung D, Tran T, Gupta S, Rana S, Karmakar C, et al. Guidelines for developing and reporting machine learning predictive models in biomedical research: a multidisciplinary view [Internet]. Journal of medical Internet research. 2016;18(12):e323. DOI: https://doi.org/10.2196/jmir.5870
15. Díez-Sanmartín C, Sarasa Cabezuelo A, Belmonte AA. A new approach to predicting mortality in dialysis patients using sociodemographic features based on artificial intelligence [Internet]. Artificial Intelligence in Medicine. 2023;136(1):102478. DOI: https://doi.org/10.1016/j.artmed.2022.102478
16. Evangelidis N, Tong A, Manns B, Hemmelgarn B, Wheeler DC, Tugwell P, et al. Developing a set of score outcomes for trials inhemodialysis: an international Delphi survey [Internet]. American Journal of Kidney Diseases. 2017;70(4):464-475. DOI: https://doi.org/10.1053/j.ajkd.2016.11.029
17. Kalkbrenner MT. Alpha, omega, and H internal consistency reliability estimates: reviewing these options and when to use them [Internet]. Counseling Outcome Research and Evaluation. 2023;14(1):77-88. DOI: https://doi.org/10.1080/21501378.2021.1940118
18. Peterson RA, Kim Y. On the relationship between coefficient alpha and composite reliability [Internet]. Journal of applied psychology 2013;98(1):194-8. DOI: https://doi.org/10.1037/a0030767
19. Toro R, Peña-Sarmiento M, Avendaño-Prieto BL, Mejía-Vélez S, Bernal-Torres A. Análisis empírico del coeficiente Alfa de Cronbach en función de las opciones de respuesta a las preguntas, tamaño de la muestra y valores atípicos [Internet]. Revista Iberoamericana de Diagnóstico y Evaluación Psicológica. 2022 [acceso: 06/07/2025];63(1):1-18. Disponible en: https://www.redalyc.org/journal/4596/459671926003/html/
20. Fitriani A, Yetti K, Sukmarini L. Contributing factors to hemodialysis adherence in Aceh, Indonesia [Internet]. Enfermeria clínica. 2019;29(2):238-42. DOI: https://doi.org/10.1016/j.enfcli.2019.04.028
21. Petch J, Di S, Nelson W. Opening the black box: the promise and limitations of explainable machine learning in Cardiology [Internet]. Canadian Journal of Cardiology. 2022 [acceso: 06/07/2025]; 38(2):204-213. DOI: https://doi.org/10.1016/j.cjca.2021.09.004
22. Nazer L, Zatarah R, Waldrip S, Ke J, Moukheiber M, Khanna A, et al. Bias in artificial intelligence algorithms and recommendations for mitigation [Internet]. PLOS digital health 2023;2(6):e0000278. DOI: https://doi.org/10.1371/journal.pdig.0000278
23. Walsh I, Fishman D, Garcia-Gasulla D, Titma T, Pollastri G, Harrow J, et al. DOME: recommendations for supervised machine learning validation in biology [Internet]. Nature Methods 2021;18(1):1122-7. DOI: https://doi.org/10.1038/s41592-021-01205-4
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Sergio Orlando Escalona González, Zoraida Caridad González Milán, Yailé Caballero Mota, Yanela Rodríguez Alvarez, Diamela Hernández Navarro, Andrés Villar Bahamonde, Raymar Molina Vega
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cual estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons. Los contenidos que aquí se exponen pueden ser compartidos, copiados y redistribuidos en cualquier medio o formato. Pueden ser adaptados, remezclados, transformados o creados otros a partir del material, mediante los siguientes términos: Atribución (dar crédito a la obra de manera adecuada, proporcionando un enlace a la licencia, e indicando si se han realizado cambios); no-comercial (no puede hacer uso del material con fines comerciales) y compartir-igual (si mezcla, transforma o crea nuevo material a partir de esta obra, podrá distribuir su contribución siempre que utilice la misma licencia que la obra original).
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada.
