Qué es

Cada barra horizontal va del límite inferior al superior del intervalo de confianza del 95% del coeficiente de correlación (r de Pearson o ρ de Spearman). El coeficiente puntual no está dibujado: pasá el mouse por encima de la barra para verlo, o leelo en la columna «Estadístico» de la tabla. No lo estimes por el medio de la barra: el intervalo se calcula en otra escala y se transforma de vuelta, así que su centro queda corrido hacia el cero.

Cómo leerlo

Las barras a la izquierda del 0 son correlaciones negativas (a mayor X, menor Y); a la derecha, positivas.
El ancho no mide solidez. Depende del N y de cuán extremo es el coeficiente: cerca de ±1 los intervalos se ven angostos aunque haya pocos casos, así que la barra más finita puede ser la de menos pacientes. Para juzgar cuán firme es un hallazgo mirá la columna N y el semáforo de la tabla.
Ninguna barra cruza el cero, y no es un hallazgo: este gráfico dibuja únicamente las que ya dieron significativas. Tampoco responde a los filtros de la tabla, así que puede mostrar barras aunque la tabla de arriba haya quedado vacía. Y significación no es lo mismo que relevancia clínica.

Qué es

Una matriz con la correlación entre cada par de variables numéricas del laboratorio. Se calcula sobre los pacientes que tienen eco y ergometría, no sobre todos los estudios: por eso su N suele ser menor que el del resto del panel.
Todas las celdas usan r de Pearson. La tabla de asociaciones usa Spearman en casi todos estos pares, y en los intra-eco los calcula sobre todos los ecos y no sólo sobre los cruzados: por eso un mismo par puede dar un número distinto acá y allá. Ante la duda, vale el de la tabla.

Cómo leerlo

Cuanto más intenso el rojo, más fuerte la correlación positiva (las dos suben juntas); cuanto más intenso el azul, más fuerte la negativa (una sube, la otra baja). Cuanto más pálida la celda —más parecida al fondo de esta tarjeta—, más cerca de cero: en tema claro eso se ve blanco y en tema oscuro casi negro, así que guiate por la intensidad y no por el color absoluto.
La diagonal es roja porque cada variable se correlaciona consigo misma: está cableada, no calculada, y conviene saltearla.
Una celda gris es una que no se pudo calcular: o no hubo al menos 3 pares, o una de las dos variables no varía en esta muestra — que son problemas distintos, porque el primero se arregla sumando pacientes y el segundo no.

Qué es. Una curva ROC responde una sola pregunta: si tomo esta variable numérica y elijo un punto de corte, ¿cuán bien separa a los pacientes que tienen el desenlace de los que no? Cada punto de la curva es un corte posible: en el eje vertical va la sensibilidad (qué proporción de los que tienen el desenlace quedan del lado positivo) y en el horizontal 1 − especificidad (qué proporción de los que no lo tienen quedan del lado positivo por error). La diagonal es lo que daría tirar una moneda.

Cómo leerlo. Cuanto más se despega la curva hacia arriba y a la izquierda, mejor separa. El AUC resume la curva en un número: es la probabilidad de que, tomando al azar un paciente con el desenlace y otro sin él, el primero tenga el valor más extremo. 0,5 es azar puro y 1,0 separación perfecta. Como referencia grosera: <0,6 no sirve, 0,6–0,7 pobre, 0,7–0,8 aceptable, 0,8–0,9 bueno, >0,9 excelente. Si el IC del AUC incluye el 0,50, no hay evidencia de que separe nada.

El punto de corte no es un valor de referencia. El que se marca acá maximiza sensibilidad + especificidad (índice de Youden) en esta misma muestra, así que está elegido y evaluado con los mismos datos: en otra población va a rendir peor. Y el VPP/VPN dependen de cuántos pacientes con el desenlace hay en tu serie, que no es la prevalencia de la población general.

Qué es. El poder es la probabilidad de encontrar un efecto que realmente existe. Un estudio con 80% de poder tiene, si el efecto es del tamaño que supusiste, un 80% de chances de terminar con un p<0,05 — y un 20% de no verlo y concluir que no hay nada. Ese 20% es el error tipo II. El cálculo une cuatro números: N, tamaño del efecto, α y poder; fijados tres, el cuarto queda determinado.

El tamaño del efecto no sale de tus datos. Es una decisión clínica y previa: qué diferencia te importaría encontrar. Las convenciones de Cohen (pequeño / mediano / grande) son un default para cuando no hay nada mejor, y él mismo advirtió que son arbitrarias. Si tenés un estudio previo con un efecto medido, usá ese número — pero sabiendo que los efectos publicados están inflados por sesgo de publicación, así que planificar con ellos deja el estudio corto.

Un N insuficiente no es un detalle de método. Con poco poder no sólo se pierden efectos reales: los pocos resultados que sí dan significativos están sobreestimados, porque para cruzar el umbral con N chico el efecto observado tiene que haber salido grande por azar. Por eso una serie chica con un hallazgo espectacular es sospechosa, no convincente.

Lo que este cálculo no cubre. Es el N de pacientes con las dos variables medidas, no el de pacientes reclutados: hay que sumarle las pérdidas y los datos faltantes. Y vale para una comparación; si vas a mirar veinte, el α efectivo de cada una es menor y el N necesario sube.