Conceptos y metodología | Concepts and methodology  
1
Rev Argent Cir. 2025;117(2):e-cymcaa- hꢂp://dx.doi.org/10.25132/raac.v117.n1.cymcaa  
Regresión Logísꢀca: lo que autores y revisores no pueden ignorar  
Logisꢀc regression analysis: what authors and reviewers should not ignore  
Crisꢀan Agusꢁn Angeramo*  
“
Los hechos no dejan de exisꢀr porque se los  
ignore.”  
Aldous Huxley, Un mundo feliz.  
Introducción  
ce de que ocurra un evento. Por ejemplo, cuántas veces  
más es la chance que un paciente ꢀene de desarrollar  
Cuando se analizan datos, es habitual querer una enfermedad en función de sus comorbilidades.  
determinar si existe una relación entre dos variables. Estas posibilidades pueden representarse visualmente  
Para ello se uꢀlizan herramientas estadísꢀcas como la en nomogramas o implementarse en calculadoras en  
correlación y la regresión, que pueden parecer simila- línea para comunicar de manera clara y accesible el  
5
res, pero responden a objeꢀvos disꢀntos.  
riesgo de un evento , 3) hacer predicciones: predecir  
La correlación cuanꢀꢁca la fuerza y la dirección la categoría más probable de la variable dependiente  
de la relación entre dos variables. Se trata de una me- para un paciente determinado (por ejemplo, clasiꢁcar  
dida simétrica, lo que implica que el orden de las va- a un paciente como de alto o bajo riesgo de desarrollar  
3
riables no altera el resultado: la correlación entre A y B una enfermedad) .  
es idénꢀca a la de B con A. No obstante, la correlación  
Se dice posibilidad o chance porque la regre-  
1
no implica causalidad ni permite realizar predicciones . sión logísꢀca brinda Odds raꢀo y no Riesgos Relaꢀvos,  
Por otro lado, la regresión también analiza la relación que sí son cálculos de probabilidades.  
entre variables, pero no de forma simétrica. Aquí, se  
Selección de variables independientes: cómo  
disꢀngue entre una variable dependiente, que se de- evitar el sobreajuste y el subajuste  
sea predecir o explicar, y una o más variables indepen-  
Un modelo de regresión logísꢀca múlꢀple  
dientes, que actúan como predictores. Esta disꢀnción permite evaluar el efecto de dos o más variables inde-  
permite modelar cómo las variables independientes in- pendientes sobre un evento (variable dependiente). A  
fluyen sobre la dependiente, posibilitando predicciones diferencia del modelo con un solo predictor, este ajusta  
y la evaluación del peso relaꢀvo de cada predictor. Sin por factores de confusión y esꢀma asociaciones más  
embargo, al igual que la correlación, la regresión tam- precisas. Uno de los aspectos más importantes al cons-  
2
poco implica causalidad .  
truirlo es la adecuada selección de variables indepen-  
dientes, tanto en número como en relevancia. Incluir  
demasiadas puede generar sobreajuste (“overꢁꢃng”),  
donde el modelo pierde capacidad para generalizar a  
nuevos datos. Por el contrario, excluir variables rele-  
¿
Cuándo se usa la regresión logísꢀca?  
La regresión logísꢀca se uꢀliza muy frecuente- vantes puede producir subajuste (“underꢁꢃng”), lo  
mente en invesꢀgación clínica cuando la variable de- que deriva en una falta de precisión. Por ejemplo, en un  
pendiente (o variable de respuesta) es dicotómica, es estudio para predecir el riesgo de desarrollar diabetes,  
decir, presenta solo dos posibles categorías (por ejem- incluir variables irrelevantes (como el color de ojos) po-  
3
plo, “presencia” o “ausencia” de una enfermedad) . Esa dría causar sobreajuste, mientras que omiꢀr variables  
es la distribución logísꢀca binaria o binomial, pero hay importantes (obesidad o historia familiar) podría llevar  
3
otras que escapan al objeꢀvo de este arꢂculo (mulꢀno- a un subajuste .  
4
mial, ordinal) .  
Para evitar el sobreajuste se recomienda un  
El objeꢀvo de la regresión logísꢀca es analizar mínimo de 10 a 20 eventos por variable (EPV). Esto  
el efecto que ꢀenen una o más variables predictoras (in- signiꢁca que ‒si se ꢀenen 100 eventos en un estudio  
3
dependientes) sobre la variable dependiente . Esto per- (por ejemplo, 100 pacientes con una enfermedad)‒ el  
mite: 1) idenꢀꢁcar factores de riesgo o de protección: modelo no debería incluir más de 10 variables inde-  
por ejemplo, determinar si una caracterísꢀca clínica pendientes (usando el criterio de 10 EPV) o 5 varia-  
6
(
como la edad o el tabaquismo) aumenta o disminuye bles (usando el criterio de 20 EPV) . Por otro lado, para  
la posibilidad o chance de presentar una enfermedad, evitar el subajuste, se debe realizar una correcta selec-  
) esꢀmar posibilidades: calcular la posibilidad o chan- ción de variables independientes. Se sugiere: 1) basarse  
2
*Departamento de Invesꢀgación, Hospital Alemán de Buenos Aires. ORCID ID: 0000-0001-7833-9416. E-mail: cangeramo@hospitalaleman.com  
2
Angeramo CA. Regresión Logísꢀca: lo que autores y revisores no pueden ignorar. Rev Argent Cir. 2025;117(2):e-cymcaa  
en la literatura: variables que, según la evidencia cienꢂ- mayor riesgo de diabetes (coeꢁcientes posiꢀvos y p <  
ca y la experiencia clínica, tengan una posible relación 0,05). La acꢀvidad ꢄsica resultó ser un factor protector  
ꢁ
con el evento estudiado, 2) evitar variables altamente (coeꢁciente negaꢀvo y p < 0,05). El consumo de alcohol  
correlacionadas entre sí (mulꢀcolinealidad): la inclu- no mostró asociación signiꢁcaꢀva (p = 0,90).  
sión de variables independientes con alta correlación  
En una regresión logísꢀca, el odds raꢀo (OR)  
puede distorsionar los resultados. Por ejemplo, durante se obꢀene exponenciando el coeꢁciente β del modelo:  
la pandemia de COVID-19, un modelo mostró errónea- OR = exp(β). Esta medida indica cómo cambia el odds  
mente al tabaquismo como factor protector debido a su (razón entre la posibilidad de que ocurra un evento y la  
colinealidad con la enfermedad pulmonar crónica, que de que no ocurra) por cada unidad de cambio en la va-  
7
10  
absorbía su efecto real negaꢀvo , 3) selección guiada riable explicaꢀva . Un OR = 1 implica ausencia de aso-  
por el análisis simple (un predictor y la variable depen- ciación entre la variable y el evento. Un OR > 1 indica  
diente): se sugiere incluir, en el modelo múlꢀple, las va- un aumento en el odds del evento por cada unidad de  
riables que en el análisis univariado presenten un p-va- cambio en la variable, mientras que un OR < 1 indica  
lor ≤ 0,20-0,25, ya que un umbral más estricto (p < 0,05) una disminución. La interpretación especíꢁca depende  
podría descartar factores potencialmente relevantes. del ꢀpo de evento evaluado: si el evento es perjudicial  
Sin embargo, la inclusión ꢁnal debe basarse en la rele- (por ejemplo, complicaciones o muerte), un OR > 1 su-  
3
,8  
vancia clínica, más allá de la signiꢁcación estadísꢀca . giere un mayor riesgo y un OR < 1 sugiere un efecto  
protector. En cambio, si el evento es beneꢁcioso (por  
ejemplo, curación o respuesta al tratamiento), un OR  
> 1 refleja un efecto favorable, y un OR < 1 indica una  
Ejemplo prácꢀco en R9  
menor chance de lograr ese resultado deseado. Por  
Supongamos que estamos estudiando los fac- lo tanto, el contexto clínico es clave para una correc-  
1
1
tores que influyen en la chance de que un paciente ta interpretación del OR . Cuando el evento es poco  
desarrolle diabetes. Uꢀlizamos un modelo de regre- frecuente (<10%), el riesgo relaꢀvo (RR) y el OR suelen  
sión logísꢀca en R, donde la variable dependiente es ser similares. Sin embargo, a medida que aumenta la  
“
Diabetes” y las variables independientes son “Edad”, frecuencia del evento, un OR >1 ꢀende a sobreesꢀmar  
IMC”(Índice de masa corporal), “Historial familiar”, y un OR <1 a subesꢀmar el riesgo en comparación con  
“
“
Acꢀvidad ꢄsica” y “Consumo de alcohol”. En aras de la el RR. Por esta razón, en estudios prospecꢀvos, es reco-  
brevedad, no se presentan aquí los datos originales del mendable ajustarlo a RR cuando la frecuencia del even-  
análisis, pero a conꢀnuación se resumen los principales to de interés supera el 10% .  
1
2
resultados obtenidos.  
En nuestro análisis, el IMC mostró un OR de  
,13, lo que signiꢁca que, por cada unidad adicional de  
1
Call:*  
IMC, el odds de desarrollar diabetes fue 1,13 veces ma-  
yor. La acꢀvidad ꢄsica presentó un OR de 0,56, lo que  
signiꢁca que el odds de desarrollar diabetes es 0,56 ve-  
ces menor en quienes realizan acꢀvidad ꢄsica compara-  
do con quienes no la realizan. Cabe destacar que el va-  
lor del OR debe interpretarse junto con su intervalo de  
glm(fórmula = Diabetes ~ Edad + IMC + Historial_familiar +  
Acꢀvidad_ꢁsica + Consumo_alcohol,  
family = binomial, data = datos)  
Coefficients:  
Esꢀmate Std. Error z value  
-4.12345 0.67890 -6.073  
0.04567 0.01234 3.701  
0.12345 0.03456 3.572  
1.23456 0.23456 5.263  
-0.56789 0.12345 -4.601  
0.01234 0.09876 0.125  
Formato de salida (output) literal del soꢃware.  
Pr(>|z|)  
(
Intercept)  
1.26e-09 ***  
0.000215 ***  
0.000354 ***  
1.42e-07 ***  
4.23e-06 ***  
0.900  
Edad  
IMC  
■ TABLA 1  
Historial_Familiar  
Acꢀvidad_Física  
Consumo_Alcohol  
Informe de los OR, IC 95% y valor p de las variables independientes  
incluidas en el modelo de regresión logísꢀca múlꢀple  
*
Variables  
Edad, años  
OR  
IC 95%  
p
Esꢀmate (Coeꢁciente β): indica el efecto de cada varia-  
ble independiente sobre la chance del evento (tener  
diabetes). Valores posiꢀvos implican mayor chance, y  
negaꢀvos, menor chance. Valor z y Pr (>|z|) (valor p):  
evalúan si el coeꢁciente es signiꢁcaꢀvamente disꢀnto  
de cero. Si p < 0,05, se considera que la variable ꢀene  
signiꢁcación estadísꢀca. En nuestro ejemplo, edad, IMC  
e Historia familiar se asociaron signiꢁcaꢀvamente con  
1,04  
1,02-1,07  
<0,001  
IMC, kg/m²  
1,13  
3,43  
0,56  
1,05-1,21  
2,16-5,45  
0,44-0,72  
<0,001  
<0,0001  
<0,0001  
Historia familiar  
Acꢀvidad ꢄsica  
Consumo de alcohol  
1,01  
0,83-1,23  
0,90  
Angeramo CA. Regresión Logísꢀca: lo que autores y revisores no pueden ignorar. Rev Argent Cir. 2025;117(2):e-cymcaa  
3
conꢁanza (IC), generalmente del 95%; si este intervalo Conclusión  
incluye el valor 1, no se considera que la asociación re-  
1
3
presente un riesgo signiꢁcaꢀvo . En nuestro ejemplo,  
La regresión logísꢀca es una herramienta esen-  
el consumo de alcohol no se asoció signiꢁcaꢀvamente cial en la invesꢀgación médica, que permite no solo  
con el evento estudiado (OR = 1,01; IC 95%: 0,83.1,23; idenꢀꢁcar factores de riesgo o de protección, sino tam-  
p = 0,90), dado que el intervalo de conꢁanza incluye el bién esꢀmar posibilidades o chances: es hacer predic-  
valor nulo (OR = 1). En la tabla 1 se informan los OR, IC ciones úꢀles para la prácꢀca clínica. Sin embargo, su co-  
9
5% y valor p de nuestro ejemplo. rrecta aplicación requiere una cuidadosa selección de  
Los supuestos (assumpꢀons) y la evaluación variables y una interpretación críꢀca de los resultados,  
del modelo de regresión logísꢀca también exceden el siempre considerando que, aunque úꢀl para idenꢀꢁcar  
límite de este arꢂculo. asociaciones, no implica causalidad por sí misma.  
■
ENGLISH VERSION  
“
Facts do not cease to exist because they are  
ignored”.  
Aldous Huxley, Brave New World.  
Introducꢀon  
The objecꢀve of logisꢀc regression is to analyze  
the effect of one or more predictor (independent)  
3
When analyzing data, it is common pracꢀce variables on the dependent variable , allowing for:  
to determine whether there is a relaꢀonship between 1) Idenꢀꢁcaꢀon of risk factors or protecꢀve factors.  
two variables. The uꢀlizaꢀon of staꢀsꢀcal tools such as  
correlaꢀon and regression is opꢀmal for achieving this  
objecꢀve. Despite their similariꢀes, these tools serve  
disꢀnct purposes.  
For instance, to determine whether a clinical  
characterisꢀc (e.g., age or smoking habits) increases  
or decreases the likelihood or probability of  
presenꢀng a disease.  
Correlaꢀon measures the strength and 2) Esꢀmaꢀng the likelihood or probability of an event  
direcꢀon of the relaꢀonship between two variables. It  
is a symmetrical measure, which means the order of  
the variables does not affect the result. The correlaꢀon  
between A and B is the same as the correlaꢀon between  
occurring. such as the likelihood of developing a  
disease based on comorbidiꢀes. These possibiliꢀes  
can be represented visually in nomograms or  
implemented in on-line calculators to clearly and  
5
B and A. However, correlaꢀon does not imply causaꢀon,  
accessibly communicate the risk of an event .  
1
nor does it allow for the making of predicꢀons . On the 3) Making predicꢀons: the primary objecꢀve is to  
other hand, regression also analyzes the relaꢀonship  
between variables, but not symmetrically. In regression  
analysis, it is essenꢀal to disꢀnguish between a  
dependent variable, which is to be predicted or  
predict the most likely category of the dependent  
variable for a given paꢀent (e.g., classifying a paꢀent  
3
as high or low risk of developing a disease) .  
We speak of likelihood or odds because logisꢀc  
explained, and one or more independent variables, regression provides odds raꢀos and not relaꢀve risks  
which act as predictor variables. This disꢀncꢀon which are esꢀmates of probabiliꢀes.  
enables the modeling of how the independent variables  
Selecꢀon of independent variables: how to  
influence the dependent variable. This allows us to avoid overꢁꢃng and underꢁꢃng.  
make predicꢀons and evaluate the relaꢀve importance  
A mulꢀple logisꢀc regression model allows for  
of each predictor variable. However, regression, like the evaluaꢀon of the effect of two or more independent  
2
correlaꢀon, does not imply causaꢀon .  
variables on an event (dependent variable). Unlike  
the model with a single predictor variable, this model  
adjusts for confounding factors and esꢀmates more  
precise associaꢀons. One of the most important aspects  
of construcꢀng the model is to appropriately select the  
When is logisꢀc regression analysis used?  
Logisꢀc regression is commonly used in clinical independent variables in terms of both number and  
research when the dependent variable is dichotomous, relevance. Including too many variables can lead to  
meaning it has only two possible categories (e.g., overꢁꢃng, which causes the model to lose its ability to  
3
“
presence” or “absence” of a disease) . This is the generalize to new data. Conversely, excluding relevant  
binomial or binary logisꢀc distribuꢀon. There are other variables can lead to underꢁꢃng, resulꢀng in a lack of  
distribuꢀons beyond the scope of this arꢀcle, such as precision. For example, including irrelevant variables  
4
the mulꢀnomial and ordinal distribuꢀons .  
(such as eye color) in a study to predict the risk of  
4
Angeramo CA. Regresión Logísꢀca: lo que autores y revisores no pueden ignorar. Rev Argent Cir. 2025;117(2):e-cymcaa  
developing diabetes could cause overꢁꢃng, while  
The β coefficient esꢀmates the impact of each  
omiꢃng important variables (such as obesity or family independent variable on the likelihood of the event  
3
history) could lead to underꢁꢃng .  
(deꢁned here as having diabetes) occurring. Posiꢀve  
A minimum of 10 to 20 events per variable values make the outcome event more likely, while  
(
EPV) is recommended to avoid overꢁꢃng. This means negaꢀve values make it less likely. z-value and Pr(>|z|)  
that if a study has 100 events (e.g., 100 paꢀents with (p-value): they evaluate if the coefficient is signiꢁcantly  
a disease), the model should include no more than different from zero. A p-value < 0.05 indicates that the  
1
0 independent variables (using the 10 EPV criterion) variable has staꢀsꢀcal signiꢁcance. In our example, Age,  
6
or 5 variables (using the 20 EPV criterion) . A proper BMI and Family History were signiꢁcantly associated  
selecꢀon of independent variables is necessary to with increased risk of diabetes (posiꢀve coefficients  
avoid underꢁꢃng. We suggest the following: 1) Use and p < 0.05). Physical acꢀvity was a protecꢀve factor  
variables that, according to scienꢀꢁc evidence and (negaꢀve coefficient and p < 0.05). Alcohol intake did  
clinical experience, may have a possible relaꢀonship not show signiꢁcant associaꢀon (p = 0.90).  
with the event under study, based on the literature.  
) Avoid using variables highly intercorrelated with obtained by exponenꢀaꢀng the β coefficient of the  
In logisꢀc regression, the odds raꢀo (OR) is  
2
each other (mulꢀcollinearity) which may distort the model: OR = exp(β). This measurement indicates how  
results. For example, during the COVID-19 pandemic, the odds (raꢀo of the probability of an event happening  
one model incorrectly showed smoking as a protecꢀve to the probability that event not happening) change for  
1
0
factor due to its collinearity with chronic obstrucꢀve each unit change in the explanatory variable . An OR =  
pulmonary disease, which masked its actual negaꢀve 1 implies absence of associaꢀon between the variable  
7
effect . 3) Select variables guided by simple analysis and the event. An OR > 1 indicates an increase in the  
(
one predictor variable and the dependent variable): it odds of the event occurring with each unit change  
is recommended to include in the mulꢀvariate model in the variable. An OR < 1 indicates a decrease in the  
those variables that in the univariate analysis present a odds of the event occurring. The speciꢁc interpretaꢀon  
p-value ≤ 0.20-0.25, since a stricter threshold (p < 0.05) depends on the type of event being assessed. If the  
could exclude potenꢀally relevant factors. However, event is harmful, such as complicaꢀons or death, an  
ꢁ
nal inclusion should be based on clinical relevance, OR > 1 suggests an increased risk, while an OR < 1  
3,8  
suggests a protecꢀve effect. By contrast, if the event  
is favorable (e.g., a cure or a posiꢀve response to  
treatment), an OR > 1 reflects a favorable effect and  
an OR < 1 indicates a lower likelihood of achieving the  
desired outcome. Therefore, understanding the clinical  
beyond staꢀsꢀcal signiꢁcance .  
A Pracꢀcal example in R9  
1
1
Suppose we are analyzing the factors that context is essenꢀal for correctly interpreꢀng the OR .  
influence a paꢀent’s likelihood of developing diabetes. When the event is rare (<10%), the relaꢀve risk (RR)  
We use a logisꢀc regression model in R, where the and the OR are usually similar. Yet, the more frequent  
dependent variable is “Diabetes” and the independent the event becomes, the more the OR will overesꢀmate  
variables are “Age”, “BMI” (Body Mass Index), “Family the RR when it is > 1 or underesꢀmate the RR when it  
History”, “Physical Acꢀvity” and “Alcohol Intake”. For is less than 1. For this reason, in prospecꢀve studies, it  
the sake of brevity, the original data of the analysis are is convenient to adjust them to RR when the risk of the  
1
2
not presented here, but the main results obtained are outcome of interest is greater than 10% .  
summarized below.  
In our analysis, the OR for BMI was 1.13. This  
means that for each addiꢀonal unit of BMI, the odds  
of developing diabetes were 1.13 ꢀmes higher. Physical  
acꢀvity presented an OR of 0.56, which means that the  
oddsofdevelopingdiabetesare0.56ꢀmeslowerinthose  
who engage in physical acꢀvity compared to those who  
do not. Note that the OR value should be interpreted  
with its 95% conꢁdence interval. If this interval  
includes the value 1, the associaꢀon is not considered  
signiꢁcant. In our example, alcohol intake was not  
signiꢁcantly associated with the event studied (OR =  
Call:*  
glm(formula = Diabetes ~ Age + BMI + Family_History+ Physical_Acꢀvity  
+
Alcohol_Intake,  
family = binomial, data = data)  
Coefficients:  
Esꢀmate Std. Error z value  
-4.12345 0.67890 -6.073  
0.04567 0.01234 3.701  
0.12345 0.03456 3.572  
1.23456 0.23456 5.263  
-0.56789 0.12345 -4.601  
0.01234 0.09876 0.125  
This is the literal soꢃware output  
Pr(>|z|)  
(
Intercept)  
1.26e-09 ***  
0.000215 ***  
0.000354 ***  
1.42e-07 ***  
4.23e-06 ***  
0.900  
Age  
BMI  
Family_History  
Physical_Acꢀvity  
Alcohol_Intake  
1
.01; 95% CI: 0.83-1.23; p = 0.90), since the conꢁdence  
interval includes the null value (OR = 1). The OR, 95%  
CI and p-value for our example are detailed in Table 1.  
*
Angeramo CA. Regresión Logísꢀca: lo que autores y revisores no pueden ignorar. Rev Argent Cir. 2025;117(2):e-cymcaa  
5
The assumpꢀons and evaluaꢀon of the logisꢀc  
regression model are also beyond the scope of this arꢀcle.  
■
TABLE 1  
Odds raꢀo, 95% CI and p-value of the independent variables inclu-  
ded in the mulꢀvariate logisꢀc regression model  
Conclusion  
Variables  
OR  
95% CI  
p
Age, years  
1.04  
1.02-1.07  
<0.001  
Logisꢀc regression is an essenꢀal tool in  
medical research. It allows researchers to idenꢀfy risk  
or protecꢀve factors, esꢀmate probabiliꢀes, and make  
useful predicꢀons for clinical pracꢀce. However, its  
proper implementaꢀon requires a careful selecꢀon of  
variables and a criꢀcal interpretaꢀon of the results,  
always considering that, although this method is useful  
for idenꢀfying associaꢀons, it does not imply causaꢀon.  
BMI, kg/m2  
1.13  
3.43  
0.56  
1.05-1.21  
2.16-5.45  
0.44-0.72  
<0.001  
<0.0001  
<0.0001  
Family history  
Physical acꢀvity  
Alcohol intake  
1.01  
0.83-1.23  
0.90  
■
ENGLISH VERSION  
Referencias bibliográficas /References  
1
2
. Iovaldi ML. Correlación: otra medida del tamaño del efecto. Rev  
Argent Cirug. 2025;117:1-2.  
with COVID-19-related death using OpenSAFELY. Nature.  
2020;584(7821):430. hꢅps://doi.org/10.1038/s41586-020-2521-4.  
8. Hosmer DW, Lemeshow S. Applied Logisꢀc Regression. 2nd ed.  
Hoboken, NJ: Wiley; 2000.  
. Tanni SE, Paꢀno CM, Ferreira JC. Correlaꢀon vs. regression  
in associaꢀon studies [Correlação vs. regressão em estudos  
de associação].  
J
Bras Pneumol. 2020;46(1):e20200030.  
9. R Core Team (2024). _R: A Language and Environment for  
Staꢀsꢀcal Compuꢀng_. R Foundaꢀon for Staꢀsꢀcal Compuꢀng,  
Vienna, Austria. hꢅps://www.R-project.org  
doi:10.1590/1806-3713/e20200030.  
3
4
5
6
. Zabor EC, Reddy CA, Tendulkar RD, Paꢀl S. Logisꢀc Regression in  
Clinical Studies. Int J Radiat Oncol Biol Phys. 2022;112(2):271-7.  
doi:10.1016/j.ijrobp.2021.08.007.  
10. Borracci R, Arribalzaga E. La medición de la magnitud del  
efecto al comparar tratamientos quirúrgicos. Rev Argent Cirug.  
. Liang J, Bi G, Zhan C. Mulꢀnomial and ordinal Logisꢀc regression  
analyses with mulꢀ-categorical variables using R. Ann Transl Med.  
2004;87(3-4):123-9.  
RevArgentCirug/2004.  
hꢅps://revista.aac.org.ar/index.php/  
2
020;8(16):982. doi:10.21037/atm-2020-57.  
11. Iovaldi ML. Riesgo relaꢀvo y odds raꢀo (razón de posibilidades):  
Conceptos básicos. Rev Argent Cirurg. 2023;115(4):310-5. hꢅps://  
revista.aac.org.ar/index.php/RevArgentCirug/arꢀcle/view/626.  
12. Ranganathan P, Aggarwal R, Pramesh CS. Common piꢆalls  
in staꢀsꢀcal analysis: Odds versus risk. Perspect Clin Res.  
2015;6(4):222-4. doi:10.4103/2229-3485.167092.  
. Iasonos A, Schrag D, Raj GV, Panageas KS. How to build and  
interpret a nomogram for cancer prognosis. J Clin Oncol.  
2
008;26(8):1364-70. doi:10.1200/JCO.2007.12.9791.  
. van Domburg R, Hoeks S, Kardys I, et al. Tools and techniques-  
staꢀsꢀcs: how many variables are allowed in the logisꢀc and  
Cox regression models? EuroIntervenꢀon. 2014;9(12):1472-3.  
doi:10.4244/EIJV9I12A245.  
13. Tan SH, Tan SB. The Correct Interpretaꢀon of Conꢁdence  
Intervals. Proceedings of Singapore Healthcare. 2010;19(3):276-  
8. doi:10.1177/201010581001900316  
7. Williamson EJ, Walker AJ, Bhaskaran K, et al. Factors associated