Podcast sobre Epidemiología: Revisiones Sistemáticas y Metaanálisis

Kapitoly

El problema del millón de estudios

¿Qué es una revisión sistemática?

El lado oscuro: sesgos y basura

La regla de oro

Combinando Resultados

El Forest Plot

Heterogeneidad y Sensibilidad

Casos versus Controles

La Magia del Odds Ratio (OR)

Cuidado con los Sesgos

¿Para Qué Sirven Realmente?

Las Ventajas del ECA

Los Inconvenientes

Conceptos Clave a Dominar

¿Cómo Sabemos si un ECA es Válido?

Ponte a Prueba

La pregunta del paciente

Desglosando la evidencia

El veredicto de los datos

Exposición vs. Respuesta

Interpretando los Datos

El gran estudio

Impacto en la madre y el bebé

Přepis

Sofía: ¿Alguna vez has buscado algo en Google Scholar? Digamos, «estatinas y mortalidad». Te aparecen… ¡medio millón de resultados! ¿Cómo se supone que encuentres una respuesta real ahí dentro?

Álvaro: Es el problema de la sobrecarga de información. Lees un estudio que dice una cosa, y al día siguiente encuentras otro que dice todo lo contrario. Es para volverse loco.

Sofía: Exacto. Y justo para solucionar eso existe el tema de hoy. Estás escuchando Studyfi Podcast.

Álvaro: Hoy hablamos de las revisiones sistemáticas, la herramienta definitiva para navegar en ese mar de estudios.

Sofía: Vale, «revisión sistemática». Suena súper formal. ¿Qué es exactamente, Álvaro?

Álvaro: Piénsalo así: no es un estudio nuevo, es un estudio *de* estudios. Es una investigación que recopila y sintetiza toda la evidencia científica sobre una pregunta muy específica. ¡De forma súper metódica!

Sofía: Entiendo. En lugar de quedarte con la opinión de un solo estudio, que podría estar equivocado, juntas todo lo que se sabe hasta el momento.

Álvaro: ¡Precisamente! Y cuando a esa revisión le aplicamos técnicas estadísticas para combinar numéricamente los resultados de los estudios, se convierte en un metaanálisis. Eso nos da una estimación mucho más precisa del efecto real.

Sofía: Suena como la solución perfecta. ¿Tiene alguna desventaja? ¿Alguna trampa?

Álvaro: ¡Claro que sí! La más famosa es el sesgo de publicación. Imagina que los científicos solo publicaran los experimentos que funcionan y escondieran los que fallan.

Sofía: Mmm... la ciencia parecería mucho más exitosa de lo que es en realidad.

Álvaro: ¡Exacto! Los estudios con resultados positivos o estadísticamente significativos tienen más probabilidades de ser publicados. Una revisión que solo los incluya podría sobreestimar el efecto de un tratamiento.

Sofía: ¿Y cómo se combate eso? ¿Buscando en lugares secretos?

Álvaro: Algo así. Se busca en la llamada «literatura gris»: tesis doctorales, actas de congresos, informes… Material que no está en las revistas top, pero que contiene datos valiosos.

Sofía: O sea que una buena revisión sistemática tiene que ser como un detective, buscando pistas en todas partes.

Álvaro: Totalmente. Pero recuerda la regla de oro: «garbage in, garbage out». O sea, basura entra, basura sale. Si los estudios originales que incluyes son de mala calidad, tu revisión sistemática también lo será, por muy bien hecha que esté.

Sofía: Entonces, la clave es que nos ahorran tiempo y nos dan una visión global, pero siempre debemos fijarnos en cómo se hicieron y qué estudios incluyeron.

Álvaro: Esa es la lección principal. Proveen evidencia de alta calidad para tomar decisiones, tanto para un médico en la clínica como para un investigador definiendo el futuro.

Álvaro: ...y esa es la razón por la que tener un protocolo claro desde el principio es fundamental en una revisión sistemática.

Sofía: Exacto. Entonces, una vez que hemos seleccionado todos los estudios y evaluado su calidad, ¿qué hacemos? ¿Simplemente los ponemos en una lista?

Álvaro: ¡Ojalá fuera tan fácil! No, aquí es donde entra la parte estadística más potente: el metaanálisis.

Sofía: Metaanálisis. Suena... grande. ¿Qué es exactamente?

Álvaro: Piensa en ello como el gran resumen estadístico. Tomamos los resultados numéricos de todos los estudios individuales que hemos seleccionado y los combinamos matemáticamente para obtener un único resultado global.

Sofía: Ah, o sea, ¿un súper promedio de todos los estudios?

Álvaro: Algo así, pero más sofisticado. La idea es responder tres preguntas clave. Uno: ¿los resultados son parecidos entre los estudios? Dos: ¿cuál es la magnitud real del efecto? Y tres: ¿qué tan precisa es esa estimación?

Sofía: Vale, y he visto unos gráficos muy extraños en estos estudios... llenos de cuadraditos y líneas. ¿Es ahí donde se ve todo esto?

Álvaro: ¡Exacto! Te refieres al «forest plot». Es el corazón visual del metaanálisis. Cada línea horizontal representa un estudio.

Sofía: ¿Y el cuadradito en la línea?

Álvaro: El cuadrado es el resultado de ese estudio, su tamaño del efecto. Y la línea que lo atraviesa... es el intervalo de confianza. Una línea más corta significa que el resultado es más preciso.

Sofía: Entendido. Y hay una línea vertical que cruza todo el gráfico, ¿verdad?

Álvaro: Esa es la línea de «no efecto». Si el intervalo de confianza de un estudio toca o cruza esa línea, sus resultados no son estadísticamente significativos. Y lo más importante es el rombo que aparece al final.

Sofía: ¿El rombo de la verdad?

Álvaro: ¡El rombo del resultado combinado! Ese es el resultado de nuestro metaanálisis. Si ese rombo no toca la línea de no efecto, ¡tenemos un resultado significativo!

Sofía: Pero, ¿qué pasa si los estudios son muy diferentes entre sí? Mencionaste que es una de las preguntas clave.

Álvaro: Gran punto. A eso lo llamamos heterogeneidad. Si los estudios son como comparar manzanas con naranjas, el resultado combinado puede no tener mucho sentido. Usamos una estadística llamada I al cuadrado, o I². Si es mayor al 50%, consideramos que hay mucha variabilidad.

Sofía: ¿Y qué se hace en ese caso?

Álvaro: Bueno, investigamos por qué son tan diferentes. Y también hacemos algo llamado análisis de sensibilidad.

Sofía: ¿Probar si los resultados son... sensibles?

Álvaro: Exacto. Es como un test de estrés. Repetimos el análisis quitando algunos estudios. Por ejemplo, quitamos los de menor calidad o el estudio más grande para ver si el resultado global cambia mucho. Si se mantiene estable, podemos confiar más en nuestras conclusiones.

Sofía: Entonces, un metaanálisis no solo nos da una respuesta, sino que también nos muestra qué tan robusta es esa respuesta. Muy interesante. Ahora, hablemos de cómo se evalúa el riesgo de sesgo en estos estudios...

Sofía: ...así que los "casos" son las personas que ya tienen la enfermedad que queremos estudiar. Entendido. Pero, ¿con quién los comparamos? No podemos estudiarlos en el vacío, ¿verdad?

Álvaro: Exacto, Sofía. Ahí es donde entran los "controles". Y este es el corazón de uno de los diseños de estudio más importantes en epidemiología: los estudios de casos y controles.

Sofía: Vale, casos y controles. Suena a un programa de detectives.

Álvaro: No vas tan desencaminada. Piensa en ello así: tenemos a nuestros "casos", que son los pacientes con la enfermedad. Ahora, necesitamos un grupo de comparación, los "controles", que son personas similares en todo lo posible —edad, sexo, etc.— pero que no tienen la enfermedad.

Sofía: ¿Y de dónde sacamos a esos controles? ¿Los buscamos en el hospital también?

Álvaro: Esa es una opción. Se pueden sacar del mismo hospital, lo cual es rápido y fácil. El problema es que podrían estar ahí por otra enfermedad que esté relacionada con lo que estudiamos, y eso nos daría datos raros.

Sofía: Claro, como comparar a un fumador con cáncer de pulmón con otro paciente que está en el hospital por una bronquitis crónica... que también puede ser por fumar.

Álvaro: ¡Exactamente! Por eso, el ideal es sacar los controles de la población general, de la misma comunidad que los casos. Es más difícil y costoso, pero los resultados son mucho más fiables.

Sofía: Okay, tenemos nuestros dos grupos. Los que tienen la enfermedad y los que no. ¿Y ahora qué? ¿Qué medimos?

Álvaro: Ahora viene la pregunta clave: miramos hacia atrás en el tiempo —por eso a veces se les llama estudios retrospectivos— y vemos con qué frecuencia estuvieron expuestos a un posible factor de riesgo en cada grupo.

Sofía: Ah, vale. Por ejemplo, cuántos de los casos con la enfermedad fumaban, y cuántos de los controles sanos fumaban.

Álvaro: ¡Eso es! Y para cuantificar esa relación, usamos una medida llamada "Odds Ratio" u OR. A veces también la llaman "razón de momios", que suena un poco a película de terror.

Sofía: Razón de momios... ¡me encanta! Pero, ¿qué nos dice ese número mágico?

Álvaro: Es más sencillo de lo que parece. Si el OR es mayor que 1, significa que la exposición —fumar, en nuestro ejemplo— aumenta la probabilidad de tener la enfermedad. Es un factor de riesgo.

Sofía: Y si es menor que 1...

Álvaro: Indica que es un factor protector. Por ejemplo, si estudiáramos el efecto de comer pescado en los infartos, un OR de 0.5 significaría que comer pescado reduce a la mitad la probabilidad de sufrirlo.

Sofía: ¿Y si es exactamente 1?

Álvaro: Entonces no hay ninguna relación. La exposición no influye ni para bien ni para mal. Es el punto neutro.

Sofía: Suena bastante directo. Pero me imagino que no es tan fácil. Siempre hay alguna complicación.

Álvaro: La hay, y es una palabra que nos persigue en epidemiología: sesgos. En estos estudios, son un gran riesgo.

Sofía: ¿Sesgos? ¿Te refieres a errores que distorsionan los resultados?

Álvaro: Precisamente. El más común es el sesgo de selección. Ocurre si elegimos a nuestros controles de una manera que no son realmente comparables a los casos. Es el problema que mencionamos antes de los controles del hospital.

Sofía: Entiendo. El resultado que obtengamos podría deberse a cómo elegimos a la gente, no al factor de riesgo real.

Álvaro: Correcto. Y también está el sesgo de información o de memoria. Le pedimos a la gente que recuerde cosas del pasado. Una persona enferma (un caso) probablemente ha pensado mucho más en qué pudo causarle la enfermedad y recordará mejor ciertas exposiciones que una persona sana (un control).

Sofía: Wow, eso es sutil. Nunca lo había pensado. Su memoria es diferente simplemente por su condición actual.

Álvaro: Así es. Por eso, aunque estos estudios son rápidos, económicos y geniales para enfermedades raras, hay que diseñarlos con un cuidado extremo para minimizar estos sesgos.

Sofía: Entonces, para recapitular, los estudios de casos y controles miran hacia atrás, comparan gente enferma con gente sana para encontrar pistas sobre las causas de una enfermedad.

Álvaro: Perfecto. Son increíblemente útiles, especialmente para enfermedades con un largo periodo de desarrollo, como muchos tipos de cáncer. No podemos esperar 30 años a que la gente desarrolle la enfermedad; tenemos que analizar su pasado.

Sofía: Es como ser un historiador de la salud. Buscando en el pasado para entender el presente.

Álvaro: ¡Me gusta esa analogía! Un historiador de la salud, sí. Y aunque tienen sus desventajas, como los sesgos, nos han dado algunas de las pistas más importantes en la historia de la medicina.

Sofía: Fantástico. Queda clarísimo. Ahora, estos estudios nos dan pistas, asociaciones... pero, ¿cómo podemos estar más seguros de que una cosa realmente causa la otra? Supongo que para eso necesitamos otro tipo de diseño, ¿quizás uno que mire hacia el futuro?

Sofía: Y hablando de evidencia, eso nos lleva directamente a los diseños experimentales, ¿verdad? Es como pasar de observar a intervenir.

Álvaro: Exacto, Sofía. Y en el mundo de la medicina, el rey de los estudios experimentales es el Ensayo Clínico Aleatorizado, o ECA. Es el estándar de oro.

Sofía: ¿Estándar de oro? Suena importante. ¿Qué lo hace tan especial?

Álvaro: Bueno, su principal superpoder es que nos da la mejor evidencia posible sobre una relación de causa y efecto. Es decir, nos dice si un tratamiento *realmente* funciona.

Sofía: A diferencia de solo ver una asociación, aquí probamos que una cosa causa la otra. ¡Entendido!

Álvaro: Precisamente. Además, tenemos un control enorme sobre todos los factores del estudio. Podemos definir con mucha precisión el grupo de pacientes y las condiciones.

Sofía: Suena muy riguroso. Y he oído mucho la palabra "aleatorio". ¿Por qué es tan crucial?

Álvaro: ¡Ah, la aleatorización es la magia del ECA! Al asignar pacientes al azar a un grupo u otro, como lanzar una moneda, nos aseguramos de que los grupos sean lo más parecidos posible.

Sofía: ¿Incluso en factores que ni siquiera conocemos?

Álvaro: ¡Esa es la clave! Tiende a distribuir al azar tanto los factores pronósticos que conocemos como los que no. Así, si al final vemos una diferencia, podemos estar bastante seguros de que se debe a nuestra intervención y no a otra cosa. Minimiza muchísimo los sesgos.

Sofía: Vale, el ECA suena casi perfecto. Pero... siempre hay un "pero", ¿no?

Álvaro: Siempre. El principal problema es la ética. No puedes, por ejemplo, asignar al azar a un grupo de personas a que empiecen a fumar para ver si les da cáncer. Sería una locura.

Sofía: Obviamente. Así que hay preguntas que simplemente no se pueden responder con un ECA.

Álvaro: Correcto. Otro punto es que, para tener tanto control, a menudo se elige a pacientes muy específicos. Y eso... complica un poco generalizar los resultados a toda la población.

Sofía: Claro, si el estudio se hizo solo en hombres de 40 a 50 años, ¿cómo sabes si funcionará igual en una mujer de 70?

Álvaro: Exacto. Además, las intervenciones son muy rígidas, muy controladas. No reflejan siempre el caos del mundo real. Y ni hablar de que son carísimos y pueden durar años.

Sofía: Bien, si queremos leer un ECA, hay mucha jerga. ¿Podemos desglosar algunos términos clave? Por ejemplo, el "cegamiento".

Álvaro: ¡Claro! El cegamiento o enmascaramiento es fundamental. Un estudio "abierto" es cuando todos saben quién recibe qué tratamiento.

Sofía: Suena poco objetivo.

Álvaro: Lo es. Por eso existen los estudios a "ciego simple", donde el paciente no sabe qué recibe. Y mejor aún, el "doble ciego", donde ni el paciente ni el médico que lo trata lo saben.

Sofía: ¡Nadie sabe nada! Suena a receta para el desastre, pero supongo que es para evitar que las expectativas influyan.

Álvaro: Exacto. Y otro concepto crucial es el "ocultamiento de la secuencia de asignación".

Sofía: ¿Eso no es lo mismo que la aleatorización?

Álvaro: No, es un paso previo. Significa que la persona que inscribe a un paciente en el estudio no tiene NINGUNA manera de saber a qué grupo será asignado. Se usan sobres sellados o sistemas por computadora para que no puedan "hacer trampa" y asignar a los pacientes más graves a un tratamiento específico.

Sofía: Entonces, hay muchas formas en que un ensayo clínico puede salir mal y darnos resultados sesgados o engañosos.

Álvaro: Totalmente. Hay que ser un poco detective al leerlos. Hay preguntas clave que debes hacerte para evaluar su validez.

Sofía: A ver, dispara.

Álvaro: Primero: ¿La asignación fue realmente aleatoria y se ocultó esa secuencia? Segundo: ¿Los grupos eran similares al principio? Y tercero: ¿Se tomaron en cuenta a todos los pacientes que empezaron, incluso a los que abandonaron?

Sofía: Ese último punto es el análisis por "intención de tratar", ¿no? Analizas a todos en el grupo al que fueron asignados originalmente.

Álvaro: ¡Muy bien! Exacto. Si empiezas a sacar gente del análisis, pierdes todo el beneficio de la aleatorización inicial.

Sofía: Creo que lo voy entendiendo. ¿Qué tal una pregunta rápida para nuestra audiencia... y para mí?

Álvaro: ¡Perfecto! Allá va: ¿Un ECA tendrá sesgo o será engañoso si ocurre cuál de las siguientes situaciones?

Sofía: Opción A: Se pierde un gran número de personas en el seguimiento. B: Un número importante de personas no adhiere a la intervención. C: Los grupos no están balanceados al inicio del estudio.

Álvaro: ...o D: Todas las anteriores producen problemas.

Sofía: Mmm... Todas suenan bastante mal. Yo diría que la D, todas las anteriores.

Álvaro: ¡Correcto! Cualquiera de esas situaciones introduce un sesgo terrible y puede hacer que los resultados no sean fiables. Perder gente, que no sigan el tratamiento o que los grupos sean distintos desde el inicio... son banderas rojas.

Sofía: Genial. Entonces, para resumir: los ECA son poderosísimos para establecer causa y efecto, pero hay que leerlos con ojo crítico, fijándose en la aleatorización, el cegamiento y que no haya pérdidas.

Álvaro: Has dado en el clavo. Ahora que entendemos la estructura, en el próximo segmento podemos meternos de lleno en los números y ver cómo se miden realmente los resultados.

Sofía: Entonces, para seguir con lo que hablábamos, vamos a un escenario real. Un paciente te pregunta: 'Doctor, ¿debería tomar estatinas para prevenir un infarto, aunque nunca he tenido problemas del corazón?'. ¿Qué le decimos?

Álvaro: Esa es la pregunta del millón, Sofía. Y es el ejemplo perfecto de por qué necesitamos la mejor evidencia disponible. Aquí no basta con un solo estudio, necesitamos una visión global.

Sofía: Me imagino que aquí es donde entran las revisiones sistemáticas, ¿no?

Álvaro: Exactamente. Y para esta pregunta, tenemos una de las mejores: una revisión Cochrane sobre estatinas para la prevención primaria de enfermedades cardiovasculares.

Sofía: ¡Cochrane! Suena importante. ¿Qué hace que esa revisión sea tan confiable?

Álvaro: Es que son súper rigurosos. Primero, plantearon una pregunta muy específica: ¿Las estatinas benefician a personas sin antecedentes de enfermedad cardiovascular? Eso es la prevención primaria.

Sofía: Claro, no es lo mismo prevenir que tratar a alguien que ya tuvo un infarto.

Álvaro: Para nada. Luego, definieron criterios claros. Solo incluyeron ensayos clínicos aleatorizados que compararan estatinas contra un placebo o el cuidado habitual. Y los participantes debían ser adultos sin, o con un mínimo, historial de enfermedad cardiovascular previa.

Sofía: Entendido. ¿Y qué midieron? ¿Cuál era el resultado principal que les interesaba?

Álvaro: El más importante de todos: la mortalidad por todas las causas. O sea, si la gente moría menos en general, no solo por causas del corazón. También analizaron infartos, accidentes cerebrovasculares y, por supuesto, efectos adversos.

Sofía: Okay, entonces juntaron todos esos estudios de alta calidad... ¿y cuál fue el resultado final? ¿Qué mostró el metaanálisis?

Álvaro: Aquí viene lo interesante. Al combinar los datos de muchísimos pacientes, vieron un efecto claro. El resultado combinado, el famoso 'diamante' en el gráfico, mostró un Odds Ratio de 0.86.

Sofía: Un Odds Ratio de 0.86... ¿qué significa eso en español?

Álvaro: Significa que el grupo que tomó estatinas tuvo un 14% menos de probabilidad de morir durante el seguimiento en comparación con el grupo que tomó placebo. Y esto fue estadísticamente muy significativo, no fue por azar.

Sofía: ¡Un 14% menos de riesgo de muerte! Eso es muchísimo. Es una respuesta muy sólida para darle a ese paciente.

Álvaro: Lo es. Demuestra el poder de combinar muchos estudios para obtener una respuesta robusta. Y hablando de resultados, es crucial entender la diferencia entre lo que medimos en los estudios y lo que realmente le importa al paciente, lo que nos lleva directamente a nuestro siguiente tema.

Sofía: ...y esa es la base de cómo se diseñan muchos estudios observacionales. Ahora, para que no sea todo teoría, vamos a aplicarlo. Tengo aquí un *abstract* visual del British Medical Journal.

Álvaro: ¡Perfecto! Manos a la obra. El estudio trata sobre metales tóxicos y el riesgo de enfermedades cardiovasculares.

Sofía: Exacto. Nos pide que evaluemos la exposición y el riesgo. Álvaro, para empezar, ¿podrías definirnos qué es la "exposición" y la "variable respuesta" en este contexto?

Álvaro: ¡Claro! Piénsalo de esta manera: la "exposición" es la causa que estamos investigando. Aquí, sería el contacto con los metales: arsénico, plomo, cadmio...

Sofía: O sea, ¿a qué sustancia tóxica está expuesta la gente?

Álvaro: Justo eso. Y la "variable respuesta", o el *outcome*, es el efecto que medimos. En este gráfico, son las enfermedades cardiovasculares, la cardiopatía isquémica o el ictus.

Sofía: Causa y efecto. Exposición y respuesta. Sencillo cuando lo explicas así.

Álvaro: Exactamente. Ahora, si miras los datos para el arsénico, el plomo y el cadmio... ves que están asociados con un mayor riesgo.

Sofía: Sí, y el gráfico menciona una "asociación dosis-respuesta lineal". Eso suena un poco a trabalenguas.

Álvaro: Para nada. Solo significa que a mayor exposición, mayor es el riesgo. Es como añadir picante a la comida: un poco está bien, pero si te pasas... el riesgo de necesitar un vaso de leche aumenta linealmente.

Sofía: ¡Entendido! Una analogía que nunca olvidaré. Pero, ¿y el mercurio?

Álvaro: Buena observación. Para el mercurio, el estudio no encontró una asociación significativa. Esto es clave: no todos los tóxicos actúan igual ni tienen el mismo impacto.

Sofía: Qué interesante. La clave entonces es no generalizar. Hay que mirar cada sustancia por separado.

Álvaro: Esa es una de las lecciones más importantes de la toxicología. Y entender estos conceptos te ayuda a leer noticias de ciencia con un ojo mucho más crítico.

Sofía: Totalmente. Bueno, esto nos da pie para hablar de cómo se miden exactamente esas "dosis" y concentraciones en el cuerpo.

Sofía: Y hablando de salud durante el embarazo, eso nos lleva a nuestro último tema de hoy, Álvaro. ¿Qué pasa con la diabetes gestacional? ¿Es tan común o peligrosa como dicen?

Álvaro: Es una excelente pregunta para cerrar, Sofía. Y sí, es algo que debemos tomar muy en serio. No es solo un poco de azúcar alta y ya está.

Sofía: Entonces, ¿cuáles son los riesgos reales? Supongo que afecta tanto a la madre como al bebé.

Álvaro: Exacto. Hay una revisión sistemática gigante publicada en el BMJ que lo deja muy claro. Analizaron 156 estudios... ¡eso son más de 7 millones y medio de embarazos! Una locura.

Sofía: ¡Wow! Siete millones... con esa cantidad de datos, los resultados deben ser bastante sólidos.

Álvaro: Definitivamente. Y lo que encontraron es que la diabetes gestacional se asocia significativamente con varios resultados adversos. Para la madre, por ejemplo, aumenta el riesgo de preeclampsia y de necesitar una cesárea.

Sofía: Entiendo. O sea, el parto se puede complicar bastante.

Álvaro: Así es. Y para el bebé, uno de los riesgos más conocidos es la macrosomía. Es decir, que el bebé sea mucho más grande de lo normal para su edad gestacional.

Sofía: ¿Como un pequeño luchador de sumo?

Álvaro: ¡Exactamente! Lo que, como te puedes imaginar, también complica el parto. Además, aumenta el riesgo de que el bebé necesite ingreso en la UCI neonatal por cosas como hipoglucemia al nacer.

Sofía: Uf, suena serio. Entonces, el control del azúcar no es una broma.

Álvaro: Para nada. La clave es la detección temprana y un buen manejo. Bueno, creo que con esto cubrimos los puntos más importantes de hoy. Ha sido un placer, Sofía.

Sofía: Igualmente, Álvaro. Gracias por aclarar tantas dudas. Y a todos los que nos escuchan, gracias por acompañarnos en otro episodio de Studyfi Podcast. ¡Hasta la próxima!