Podcast sobre Epidemiología y Evaluación Crítica de Estudios

Kapitoly

El Mapa de la Evidencia

Significancia vs. Relevancia

Las Reglas del Diagnóstico

Herramientas para No Perderse

Un Caso Clínico Real

Desglosando con PICO

El Filtro de la Crítica

¿Importa o solo es un Número?

Observacionales vs. Experimentales

La Foto Instantánea: Transversales y Ecológicos

El Detective del Pasado: Casos y Controles

El Viaje en el Tiempo: Estudios de Cohorte

El Estándar de Oro: Diseños Experimentales

Sintetizando la Evidencia

Anatomía de un ECCA

La Magia de la Aleatorización

El Arte del Cegamiento

El Valor Nulo

El Caso del Estudio sin ICs

De Screening a Diagnóstico

Las Fases de un Estudio Diagnóstico

Fase I y II: Lo Básico

Fase III y IV: El Mundo Real

Resumen y Despedida

Přepis

Elena: Aquí va la pregunta que confunde al ochenta por ciento de los estudiantes en el examen: un estudio muestra un resultado con un valor p de cero punto cero cuatro, ¿significa que el tratamiento es un éxito rotundo? La respuesta corta... es que no necesariamente. Y en los próximos minutos, te explicaremos por qué esta es la clave para no volver a equivocarte.

Álvaro: Estás escuchando Studyfi Podcast.

Elena: ¡Hola, Álvaro! Entonces, para empezar, ¿cómo navegamos este mundo de estudios? Parece que hay docenas de tipos diferentes.

Álvaro: ¡Hola, Elena! La mejor forma es pensarlo como un mapa. Primero tienes los estudios descriptivos, como los reportes de caso. Son como las primeras notas de un explorador, solo describen lo que ven y generan hipótesis.

Elena: Y luego vienen los estudios que realmente ponen a prueba esas hipótesis, ¿cierto?

Álvaro: Exacto. Esos son los analíticos. Los dos más famosos son los de cohorte, que miran hacia el futuro y calculan el Riesgo Relativo o RR, y los de casos y controles, que miran hacia el pasado y nos dan el Odds Ratio, el famoso OR.

Elena: Perfecto. Volvamos a mi pregunta inicial sobre el valor p. ¿Por qué un resultado estadísticamente significativo no siempre es la panacea?

Álvaro: ¡Gran pregunta! Aquí está el "aha moment". La significancia estadística, ese famoso p menor a cero punto cero cinco, solo te dice que es improbable que el resultado sea por puro azar.

Elena: Pero no te dice qué tan grande o importante es el efecto...

Álvaro: ¡Exacto! Imagina un fármaco para perder peso que funciona. Y el resultado es significativo. Pero al ver los datos, la pérdida de peso promedio fue de... cien gramos. Estadísticamente real, pero clínicamente irrelevante. No vas a recetar eso, ¿verdad?

Elena: Definitivamente no. Entonces, ¿miramos el Intervalo de Confianza al noventa y cinco por ciento para tener una mejor idea?

Álvaro: Justo. Si el IC para un OR o RR no cruza el uno, es significativo. Pero la amplitud de ese intervalo te dice qué tan precisa es tu estimación. Siempre hay que mirar la magnitud del efecto.

Elena: Hablemos de pruebas diagnósticas. Siempre me lío con sensibilidad y especificidad.

Álvaro: Hay una regla de oro. Para tamizaje, quieres alta SENSIBILIDAD. Piensa en "SnOut": un resultado negativo en una prueba muy sensible prácticamente descarta la enfermedad.

Elena: Y para confirmar, ¿es al revés?

Álvaro: Correcto. Para confirmar un diagnóstico, necesitas alta ESPECIFICIDAD. La regla es "SpIn": un resultado positivo en una prueba muy específica confirma la enfermedad. ¡Simple!

Elena: Para terminar, ¿qué herramientas rápidas nos recomiendas para no perdernos al leer un estudio?

Álvaro: Piensa en ellas como checklists. ¿Quieres formular una pregunta clínica? Usa PICO. ¿Estás leyendo un Ensayo Clínico Aleatorizado o ECCA? Busca la guía CONSORT. ¿Una revisión sistemática? PRISMA es tu guía.

Elena: Son como acrónimos para salvarte la vida en el examen.

Álvaro: ¡Totalmente! Y no olvides el más importante: el Ensayo Clínico Controlado Aleatorizado es el estándar de oro porque la aleatorización y el cegamiento minimizan los sesgos. Pero de sesgos... hablaremos en el próximo segmento.

Elena: …entonces, esa jerarquía de la evidencia nos da un mapa de confianza. Pero Álvaro, ¿cómo pasamos del mapa a la acción? ¿Cómo se ve esto en el día a día?

Álvaro: ¡Excelente pregunta, Elena! Porque ahí es donde todo cobra sentido. La teoría es una cosa, pero la práctica clínica es otra. Usemos un caso real para que sea más fácil de entender.

Elena: ¡Perfecto! Un ejemplo práctico siempre ayuda.

Álvaro: Imagina esto: llega a tu consulta un paciente de 58 años. Es obeso y le acaban de diagnosticar Diabetes Mellitus tipo 2. No tiene problemas renales. La pregunta que te surge es... ¿qué tratamiento inicio?

Elena: Claro. Hay varias opciones. Quieres darle la mejor.

Álvaro: Exacto. Y tu pregunta clínica, bien formulada, sería: en pacientes como él, ¿es la metformina superior a otros medicamentos orales para bajar sus niveles de hemoglobina glicosilada, la famosa HbA1c?

Elena: Ah, y aquí es donde entra la estrategia PICO que mencionamos, ¿verdad?

Álvaro: ¡Precisamente! Es nuestra herramienta para no perdernos. La 'P' es la Población: pacientes adultos obesos con DM2. La 'I' es la Intervención: usar metformina. ¿Cuál sería la 'C'?

Elena: La 'C' de Comparación. En este caso, serían los otros medicamentos orales.

Álvaro: ¡Eso es! Y la 'O' de 'Outcome' o Resultado es la reducción de esa HbA1c. ¿Ves? La pregunta pasa de ser una duda vaga a un objetivo de búsqueda súper específico. ¡Ahora ya sabemos qué buscar!

Elena: Ok, entonces busco estudios y... ¿listo? ¿Elijo el que tenga el titular más llamativo?

Álvaro: ¡Ojalá fuera tan fácil! No, ahora viene el paso más importante: la lectura crítica. No toda la evidencia es buena evidencia. Tienes que ser un poco detective.

Elena: Suena intimidante. ¿Por dónde empiezo?

Álvaro: Con preguntas súper simples, como las de las guías CASPe. Primero, lo básico: ¿El estudio respondía a una pregunta clara? ¿Los pacientes se asignaron al azar a los tratamientos? ¿Se siguieron todos hasta el final? Si la respuesta a alguna de estas es 'No', ese estudio ya es sospechoso.

Elena: Es como un primer filtro de calidad. Entendido.

Álvaro: Exacto. Y también buscas sesgos. Un sesgo de publicación, por ejemplo, es cuando solo se publican los estudios con resultados positivos. Es como si una farmacéutica solo te mostrara las fotos en las que sale bien. Sospechoso, ¿no?

Elena: Totalmente. Nadie es perfecto todo el tiempo.

Álvaro: Y aquí viene la clave final. Hay que diferenciar entre lo 'estadísticamente significativo' y lo 'clínicamente relevante'.

Elena: Uf, suenan parecido. ¿Cuál es la diferencia?

Álvaro: Lo estadístico te dice si el resultado probablemente no es por azar. Si tienes 10,000 pacientes, una mínima diferencia puede ser 'significativa'. Pero lo clínicamente relevante te pregunta: ¿esta diferencia realmente le cambia la vida al paciente?

Elena: Ah, ya veo. Una cosa es la matemática y otra es el impacto real en una persona.

Álvaro: ¡Esa es la idea! Por eso la Medicina Basada en la Evidencia no es una receta. Es integrar la mejor ciencia, con tu experiencia, y lo más importante: con lo que el paciente quiere y valora.

Elena: Entonces, una vez que tenemos esa pregunta PICO clara y sabemos cómo filtrar los estudios... ¿dónde empezamos a buscar? Supongo que no es en Google.

Álvaro: Buena suposición. Y eso nos lleva directamente a nuestro próximo punto: las bases de datos y cómo usarlas de forma eficiente.

Elena: …y entender eso realmente cambia la perspectiva sobre la estadística. Pero ahora, Álvaro, tenemos que entrar al corazón de la epidemiología: los diseños de investigación. Suena intimidante, ¿no?

Álvaro: Un poco, pero es más fácil de lo que parece. Piénsalo como tener diferentes tipos de herramientas. No usarías un martillo para atornillar un tornillo, ¿verdad? Cada pregunta de investigación necesita su propia herramienta, su propio diseño.

Elena: Me gusta esa analogía. Entonces, ¿cuáles son estas “herramientas”? ¿Cómo empezamos a clasificarlas?

Álvaro: Excelente pregunta. Podemos clasificarlos de varias maneras. La primera y más grande división es: ¿el investigador interviene o solo mira? Si interviene, es un estudio experimental. Si solo observa lo que pasa… pues, es un estudio observacional.

Elena: De acuerdo, eso es bastante claro. Intervenir versus observar. ¿Y dentro de los que solo observan?

Álvaro: Ahí se pone interesante. Podemos dividirlos según su objetivo. Si solo quieres describir una situación, como “¿qué porcentaje de la población tiene hipertensión?”, usas un diseño descriptivo. Es como sacar una foto.

Elena: Una foto. Entendido. ¿Y si quiero saber *por qué* tienen hipertensión? ¿Si está relacionado con, no sé, comer mucha sal?

Álvaro: ¡Exacto! Ahí necesitas un diseño analítico. Ya no es solo una foto, ahora buscas una conexión, una posible relación causa-efecto. Quieres analizar la situación.

Elena: Okay, entonces tenemos observacionales, que pueden ser descriptivos o analíticos. Hablemos de esos diseños que son como una foto. ¿Cuáles son?

Álvaro: Los más comunes son los estudios transversales. Miden todo en un único momento. Prevalencia, factores de riesgo, todo a la vez. Son rápidos y relativamente baratos.

Elena: Suena genial. ¿Cuál es la trampa?

Álvaro: La trampa es que no puedes saber qué fue primero, si el huevo o la gallina. Si encuentras una asociación entre obesidad e hipertensión, no sabes si la obesidad causó la hipertensión o al revés. Es su gran limitación.

Elena: Ah, la famosa ambigüedad temporal. ¿Y qué son los estudios ecológicos? Suena a que estudian el medio ambiente.

Álvaro: No exactamente, aunque a veces lo hacen. La clave de los estudios ecológicos es que su unidad de análisis no son personas individuales, sino grupos. Por ejemplo, comparan la tasa de mortalidad por infarto en diferentes países con el consumo promedio de vino en esos países.

Elena: Entiendo, analizan datos a gran escala, de poblaciones enteras. Pero supongo que no puedes decir que una persona específica se enfermó por su consumo personal, ¿cierto?

Álvaro: Precisamente. A eso se le llama la “falacia ecológica”. Es una gran herramienta para generar hipótesis, pero peligrosa para sacar conclusiones individuales.

Elena: Muy bien. Ya vimos los estudios descriptivos, que son como fotos. ¿Cómo pasamos a los analíticos, a los que buscan el “porqué”?

Álvaro: Ahora nos ponemos el sombrero de detective. Imagina que tienes un grupo de personas con una enfermedad rara —esos son tus “casos”— y un grupo de personas sanas, tus “controles”.

Elena: Okay, tengo a mis dos grupos.

Álvaro: El diseño de casos y controles mira hacia atrás en el tiempo. Les preguntas a ambos grupos: “Oigan, en el pasado, ¿estuvieron expuestos a este factor de riesgo?”. Por ejemplo, “¿fumaban hace 20 años?”.

Elena: ¡Claro! Y comparas si los enfermos estuvieron más expuestos que los sanos. Es como investigar la escena de un crimen que ya ocurrió.

Álvaro: Exactamente. Es un diseño genial para enfermedades raras y es relativamente rápido. Pero su debilidad es la memoria de la gente. ¿Recuerdas qué cenaste el martes pasado? Imagina recordar exposiciones de hace décadas.

Elena: Uf, imposible. Eso debe generar muchos errores, lo que ustedes llaman sesgos.

Álvaro: Sí, el sesgo de memoria es el gran villano aquí. Por eso, aunque son muy útiles, hay que interpretarlos con cuidado. La medida de asociación que calculamos aquí es el Odds Ratio, o OR.

Elena: Entonces, si los casos y controles miran al pasado, ¿hay algún diseño que mire hacia el futuro?

Álvaro: ¡Sí! Y ese es el estudio de cohorte, uno de los diseños observacionales más potentes. Aquí haces lo contrario. Reclutas a un grupo de gente sana, una “cohorte”.

Elena: ¿Y qué haces con ellos?

Álvaro: Los divides en dos grupos: los que están expuestos a un factor de riesgo (por ejemplo, fumadores) y los que no (no fumadores). Y luego… te sientas a esperar. Los sigues durante años, a veces décadas, para ver quiénes desarrollan la enfermedad.

Elena: Wow, eso debe ser carísimo y larguísimo.

Álvaro: Lo es. El famoso estudio de Framingham sobre enfermedades del corazón lleva más de 70 años. Pero su poder es inmenso. Como empiezas con gente sana, puedes establecer que la exposición vino *antes* de la enfermedad. Mides incidencia y calculas el Riesgo Relativo, o RR.

Elena: Eso resuelve el problema del huevo y la gallina del estudio transversal. Aquí la secuencia temporal es clara. ¡Esa es la clave!

Álvaro: Esa es la clave. Es lo más cercano a un experimento sin serlo. La jerarquía de la evidencia lo pone muy alto, justo por debajo de los diseños experimentales.

Elena: Hablando de experimentos… Mencionaste los diseños experimentales al principio. ¿Qué los hace tan especiales?

Álvaro: Aquí el investigador deja de ser un simple observador y se convierte en el director de la película. Toma a un grupo de personas y, de forma aleatoria, asigna a unos una intervención (un nuevo fármaco, por ejemplo) y a otros un placebo o el tratamiento estándar.

Elena: La aleatorización. Esa es la palabra mágica que siempre escucho. ¿Por qué es tan importante?

Álvaro: Porque es la mejor forma de crear grupos que sean idénticos en todo, excepto en la intervención que reciben. Así, si al final hay una diferencia en los resultados, puedes estar muy seguro de que fue por tu intervención y no por otro factor. Por eso el Ensayo Clínico Aleatorizado es considerado el “estándar de oro” para probar causalidad.

Elena: Álvaro, hemos cubierto un montón de diseños. Desde una simple serie de casos hasta el complejo ensayo clínico. ¿Cómo unimos todo esto? ¿Qué pasa cuando hay diez estudios distintos sobre el mismo tema?

Álvaro: ¡Ahí es donde entran las revisiones sistemáticas y los metaanálisis! Son estudios de estudios. En vez de reclutar pacientes, tu “población” son todos los artículos publicados sobre tu pregunta.

Elena: O sea, buscas de forma exhaustiva toda la evidencia, la filtras con criterios súper estrictos, evalúas su calidad…

Álvaro: Y si los estudios son lo suficientemente parecidos, usas la estadística para combinar sus resultados en un súper resultado. Eso es un metaanálisis. Te da la estimación más precisa posible. Está en la cima de la pirámide de la evidencia.

Elena: Entonces, para resumir: empezamos con ideas de reportes de casos, sacamos fotos con estudios transversales, investigamos el pasado con casos y controles, seguimos al futuro con cohortes, probamos la causa con ensayos clínicos y, finalmente, lo juntamos todo con un metaanálisis. ¿Así funciona?

Álvaro: ¡Lo has resumido perfectamente! Entender esta jerarquía y saber qué tipo de pregunta responde cada diseño es el superpoder para analizar críticamente cualquier estudio. Es la habilidad que te pone por delante de todos.

Elena: Un superpoder. Me gusta cómo suena eso. Y es fundamental para la siguiente pieza del puzzle: cómo evaluamos realmente si las herramientas que usamos para diagnosticar son buenas. Hablemos de las pruebas diagnósticas.

Elena: Y justo esa es la gran ventaja de los estudios experimentales, ¿verdad? Nos permiten ir más allá de la correlación para hablar de causalidad.

Álvaro: Exactamente. Por eso son el estándar de oro. Si quieres probar que una intervención *realmente funciona*, un ensayo clínico bien diseñado es la mejor herramienta que tenemos.

Elena: Suenan casi perfectos. Pero como todo en la ciencia, deben tener sus desventajas.

Álvaro: Por supuesto. No son perfectos. Para empezar, son caros... muy caros. Y a veces, simplemente no son éticos. No puedes, por ejemplo, obligar a un grupo de personas a fumar para ver si les da cáncer.

Elena: Claro, eso tiene todo el sentido. Y me imagino que controlar tanto el ambiente a veces los hace un poco... ¿artificiales?

Álvaro: Diste en el clavo. Ese sobre control puede limitar qué tan generalizables son los resultados a la vida real. Es un equilibrio delicado.

Elena: Hablemos del diseño más famoso: el Ensayo Clínico Controlado Aleatorizado, o ECCA. ¿Qué lo hace tan especial?

Álvaro: ¡Ah, el ECCA! Piénsalo así: es la receta más rigurosa. Tienes como mínimo dos grupos, uno que recibe la intervención y otro de control. La clave es que la asignación a esos grupos es completamente al azar.

Elena: Y luego se les sigue en el tiempo y se comparan los resultados. Suena simple, pero sé que hay requisitos clave.

Álvaro: Hay tres pilares sagrados. Primero, un grupo de **control** comparable. Segundo, la **aleatorización**, que es el corazón del diseño. Y tercero, el **cegamiento** o enmascaramiento.

Elena: Ok, profundicemos en la aleatorización. ¿Por qué es tan crucial asignar a la gente al azar?

Álvaro: Porque es la única forma de que los grupos sean realmente comparables. La aleatorización se encarga de repartir equitativamente todas las características de las personas entre los grupos... incluso las que ni siquiera conocemos.

Elena: Es como barajar muy bien las cartas antes de repartir para que el juego sea justo.

Álvaro: ¡Exacto! Elimina el sesgo de selección. Así, si al final vemos una diferencia, podemos estar bastante seguros de que se debe a la intervención y no a otra cosa.

Elena: Y el último pilar, el cegamiento. Suena a película de espías. ¿Quién no sabe qué está pasando?

Álvaro: Depende del nivel. En un **ciego simple**, los pacientes no saben si reciben el tratamiento o un placebo. En un **doble ciego**, ni los pacientes ni los investigadores que los tratan lo saben.

Elena: Y supongo que en un **triple ciego**... ¿tampoco lo sabe el que analiza los datos?

Álvaro: ¡Correcto! Es el nivel máximo de objetividad. El cegamiento evita que nuestras expectativas, las del paciente o las del investigador, influyan en los resultados. Es una protección fundamental contra el sesgo.

Elena: Entendido. Entonces, para recapitular, los ECCA son la cima de la evidencia gracias al control, la asignación al azar y el cegamiento. Esto nos da una confianza tremenda en los resultados.

Álvaro: Justamente. Y esa confianza es vital, porque ahora tenemos que hablar de cómo medimos el efecto real de esas intervenciones.

Elena: Entendido. Así que el valor p nos da un veredicto de "culpable o inocente" sobre la hipótesis nula. Pero he oído que los intervalos de confianza... cuentan una historia más completa.

Álvaro: Exacto, Elena. El valor p es el titular, pero el intervalo de confianza (IC) es el artículo completo. Piénsalo así: un IC del 95% es un rango de valores donde tenemos un 95% de confianza de que se encuentra el verdadero valor en la población.

Elena: Un rango, de acuerdo. ¿Y cómo se conecta eso con la significancia estadística?

Álvaro: Aquí está la clave: todo depende del "valor nulo". Este es el valor que significa "no hay efecto". Para diferencias de medias, es el cero. Pero para razones, como el Odds Ratio o el Riesgo Relativo, el valor nulo es uno.

Elena: Porque si la razón es uno, ambos grupos son iguales. ¡Tiene sentido!

Álvaro: ¡Exacto! Entonces, si tu intervalo de confianza NO incluye al uno, el resultado es estadísticamente significativo. Por ejemplo, si un estudio reporta un Riesgo Relativo de 2, con un IC del 95% entre 1,2 y 3,1... el uno no está ahí. ¡Bingo! Es significativo.

Elena: Ok, llevémoslo al estudio del diclofenaco que vimos. ¿Cómo usaron los ICs ahí?

Álvaro: Aquí viene lo sorprendente... no los usaron. O al menos, no los reportaron. Se centraron solo en el valor p, mostrando que el dolor era menor en el grupo A con una p menor a 0,001.

Elena: ¿En serio? ¿Y qué nos perdimos por no tener esos intervalos?

Álvaro: Nos perdimos el contexto. Si hubieran reportado, por ejemplo, que el dolor en el grupo A era 38,4 con un IC de 36 a 40,8, y en el grupo B era 46,4 con un IC de 44 a 48,8, veríamos dos cosas. Uno, la precisión de su medida. Y dos, que los rangos ni siquiera se tocan. Es una confirmación visual de la diferencia.

Elena: Mucho más intuitivo. El valor p es la puerta, pero el IC te deja ver qué hay dentro de la habitación. Muy bien, esto aclara muchísimo el panorama. Ahora, hablemos de cómo se aplican estos conceptos en otro tipo de diseños...

Elena: Y con eso cubrimos el sesgo de cumplimiento, que es fascinante. Pero me queda una duda, Álvaro. Hemos hablado mucho del screening o tamizaje, que se aplica a gente sana. Pero, ¿qué pasa después? ¿Qué ocurre si un screening da positivo?

Álvaro: ¡Exacto! Esa es la pregunta clave, Elena. Y nos lleva directamente a nuestro último gran tema: las pruebas diagnósticas. Aquí es donde separamos la sospecha de la certeza.

Elena: De acuerdo, entonces el screening es la red amplia que lanzamos, y la prueba diagnóstica es el análisis detallado de lo que atrapamos. ¿Así?

Álvaro: ¡Perfecta analogía! La prueba diagnóstica se aplica a personas que ya tienen una sospecha, ya sea por un screening positivo o porque presentan síntomas. Su objetivo es claro: determinar quién está realmente enfermo y quién no.

Elena: Y para eso, me imagino que la precisión es crucial.

Álvaro: Totalmente. A diferencia del screening, donde buscamos alta sensibilidad para no dejar escapar a nadie, aquí a menudo priorizamos una alta especificidad. Queremos estar seguros de que un positivo es un positivo real.

Elena: Entiendo. Y he oído que evaluar estas pruebas no es tan simple. Hay como... ¿fases?

Álvaro: Así es. Es un proceso riguroso en cuatro fases. Pensar en estas fases es la clave para entender si una prueba es realmente útil o no. Es el mapa del tesoro para encontrar un buen diagnóstico.

Elena: ¡Un mapa del tesoro! Me gusta. Guíanos por él, entonces. ¿Cuál es la Fase I?

Álvaro: La Fase I es la más básica. Comparamos dos grupos muy claros: personas que sabemos que tienen la enfermedad y personas que sabemos que están sanas. La pregunta es simple: ¿la prueba muestra resultados diferentes entre ellos?

Elena: Suena a un estudio de casos y controles, ¿verdad?

Álvaro: Exactamente. Es rápido, es barato, y si la prueba falla aquí... probablemente no vale la pena seguir. Si funciona, pasamos a la Fase II, donde usamos los mismos datos para calcular la sensibilidad y la especificidad. Es decir, qué tan buena es detectando enfermos y descartando sanos en condiciones ideales.

Elena: Entendido. Fases I y II son como el laboratorio, condiciones controladas. ¿Qué pasa cuando salimos al mundo real?

Álvaro: ¡Ahí es donde se pone interesante! Entramos en la Fase III. Aquí ya no usamos grupos tan definidos. Aplicamos la prueba a una población real de pacientes con sospecha clínica.

Elena: O sea, gente que llega al consultorio con síntomas, donde no sabes quién está enfermo y quién no.

Álvaro: ¡Precisamente! Aquí es donde realmente vemos el poder discriminativo de la prueba en la práctica y donde los valores predictivos, que dependen de la prevalencia, se vuelven importantísimos.

Elena: Y la Fase IV, ¿es el jefe final?

Álvaro: ¡El jefe final, me encanta! Sí. La Fase IV responde la pregunta definitiva: ¿a los pacientes que se someten a esta prueba les va mejor a largo plazo que a los que no? Esto a menudo requiere un ensayo clínico aleatorizado. Se evalúa el impacto real en la salud de las personas.

Elena: Qué increíblemente lógico es todo cuando lo desglosas así. Entonces, para resumir todo lo que hemos visto hoy: el screening se usa en población sana para detectar posibles casos, mientras que las pruebas diagnósticas confirman o descartan la enfermedad en gente con sospechas.

Álvaro: Correcto. Y elegimos pruebas sensibles para el screening, para no pasar por alto a los enfermos, y pruebas específicas para el diagnóstico, para estar seguros del resultado. Entender estas diferencias y las fases de validación es lo que les dará la ventaja para analizar la evidencia científica.

Elena: Muchísimas gracias, Álvaro. Ha sido una sesión súper clara y potente. Y a todos los que nos escuchan, esperamos que estas herramientas les den la confianza para enfrentar sus estudios. Esto fue Studyfi Podcast.

Álvaro: ¡Mucho éxito a todos, lo tienen todo para triunfar! ¡Hasta la próxima!