Sesgos en Investigación
La mirada crítica que protege a tus pacientes de la evidencia defectuosa
Objetivo: Identificar los sesgos más frecuentes en investigación sanitaria, entender el mecanismo causal del confounding, detectar el sesgo de publicación mediante el Funnel Plot, y aplicar herramientas estandarizadas de evaluación del riesgo de sesgo.
¿Por qué la primera impresión de un artículo puede ser la peor guía?
Imagina que lees un titular: "El café reduce un 30% el riesgo de diabetes tipo 2." Antes de cambiar tus recomendaciones nutricionales, conviene hacerse una pregunta: ¿es realmente el café, o las personas que toman café tienen en general estilos de vida más saludables? ¿El estudio incluyó solo a adultos jóvenes y sanos que se apuntaron voluntariamente? ¿Cuántos estudios similares que no encontraron efecto no llegaron a publicarse?
Esas preguntas apuntan a algo concreto: los sesgos. Un sesgo es un error sistemático en el diseño, ejecución, análisis o publicación de un estudio que hace que los resultados no reflejen la realidad. Lo que distingue al sesgo del error aleatorio es su naturaleza direccional: no cancela con mayor tamaño muestral, sino que persiste y empuja las conclusiones siempre hacia el mismo lado.
Este módulo te da las herramientas para detectar los sesgos más frecuentes antes de que lleguen a influir en tus decisiones clínicas.
Validez interna vs. validez externa — la distinción de base
Validez interna: los resultados del estudio reflejan la realidad dentro de esa muestra, libre de sesgos. Es el primer requisito.
Validez externa (generalización): los resultados son aplicables a otras poblaciones o contextos. Un estudio puede tener excelente validez interna pero escasa validez externa si la muestra fue tan restrictiva que no representa a tus pacientes.
Un error habitual es juzgar la aplicabilidad de un estudio antes de haber evaluado su validez interna. El orden correcto es siempre: primero validez interna, después aplicabilidad.
Un mapa para orientarse: las cuatro familias de sesgo
Los sesgos en investigación clínica se agrupan en cuatro grandes familias según en qué fase del estudio aparecen y cómo distorsionan los resultados. Tenerlas claras permite hacer las preguntas correctas al leer un artículo.
| Familia | Cuándo aparece | Pregunta que debes hacer | Consecuencia si no se controla |
|---|---|---|---|
| Selección | Al reclutar o al asignar participantes | ¿Esta muestra representa a mis pacientes? | Hallazgos no generalizables; efecto artificialmente inflado o atenuado |
| Información (clasificación) | Al medir la exposición o el desenlace | ¿Todos los grupos fueron medidos con el mismo rigor? | Asociaciones falsas o enmascaramiento de asociaciones reales |
| Confusión | En el diseño o análisis | ¿Hay una tercera variable que explique la asociación? | Causalidad falsa o atenuación de la asociación real |
| Publicación | Al decidir qué resultados se publican | ¿Existen estudios negativos que no llegaron a publicarse? | La literatura sobreestima sistemáticamente la eficacia de intervenciones |
Sesgo de selección: cuando la muestra no es tu paciente
El sesgo de selección aparece cuando los criterios de inclusión y exclusión, o el proceso de reclutamiento, hacen que los participantes del estudio difieran sistemáticamente de la población para la que se pretende aplicar los resultados. No siempre es visible a primera vista — a menudo se esconde en la Tabla 1 del artículo, donde se describen las características basales.
Caso 1 · Programa de prevención de obesidad infantil (Salud Pública)
Un programa comunitario se evalúa solo en familias que se apuntaron voluntariamente a una sesión informativa. Estas familias ya estaban más motivadas, tenían más recursos educativos y vivían en zonas con mejores infraestructuras deportivas.
El efecto observado puede deberse a las características de las familias que participaron, no al programa en sí. Los resultados no son generalizables a familias con menos motivación o recursos — precisamente las que más necesitarían la intervención.
Señal de alerta en el artículo: participantes 100% voluntarios, sin grupo de comparación por aleatorización, características basales muy favorables respecto a la población general.
Caso 2 · Sesgo de supervivencia en terapia de abandono del tabaco (Psicología)
Un ensayo evalúa terapia grupal para dejar de fumar. A los 6 meses, el 40% de quienes completaron la terapia siguen sin fumar. Suena bien. Pero el 55% de los inscritos abandonó en las primeras 4 semanas — y los que abandonaron eran, en promedio, los que fumaban más y tenían mayor dependencia.
El análisis correcto es por Intención de Tratar (ITT): de todos los inscritos, el 40% × 45% = 18% lograron abstinencia. La cifra reportada del 40% sobreestima la eficacia casi en 2.2×.
Este es el sesgo de supervivencia (o de "completadores"): solo se analizan quienes terminaron, ignorando que los que abandonaron suelen ser los que peor responden.
Caso 3 · Sesgo de tiempo inmortal en estudios de medicamentos (Farmacoepidemiología)
En un estudio observacional sobre estatinas y mortalidad cardiovascular, los investigadores definen como "usuarios de estatinas" a quienes recibieron al menos una prescripción en el primer año de seguimiento. Pero si el evento ocurre en las primeras semanas, antes de que el paciente recoja la receta, ese período se clasifica incorrectamente como "tiempo expuesto".
El resultado: los usuarios de estatinas parecen tener menos eventos porque matemáticamente no podían morir durante el período anterior a la primera prescripción. Se llama "tiempo inmortal" porque durante ese lapso el paciente no puede tener el evento en el grupo de exposición, pero sí podría haberlo en el comparador.
Una revisión de la literatura encontró que el sesgo de tiempo inmortal inflaba artificialmente los beneficios observados de estatinas, antidiabéticos y otros fármacos en estudios de bases de datos clínicas.
📖 Referencia: Acton, E. K. & Willis, A. W. (2023). "Core concepts in pharmacoepidemiology: Key biases arising in pharmacoepidemiologic studies." Pharmacoepidemiology and Drug Safety, 32(1), 9–18. doi:10.1002/pds.5547
Sesgo de información: lo que mediste no es lo que creías medir
El sesgo de información (o de clasificación) ocurre cuando la forma en que se recoge la información sobre la exposición o el desenlace no es igualmente precisa en todos los grupos de comparación. Puede ser diferencial — distinto entre grupos — o no diferencial — igualmente impreciso en todos, pero igual de problemático.
| Tipo | Mecanismo | Ejemplo clínico | Dirección del sesgo |
|---|---|---|---|
| Sesgo de recuerdo (recall bias) | Las personas con el desenlace recuerdan mejor las exposiciones pasadas que las personas sin el desenlace | Madres de niños con malformaciones congénitas reportan más exposición a medicamentos en el embarazo que madres de niños sanos, aunque la exposición real sea similar | Sobreestima la asociación exposición-desenlace |
| Sesgo de detección diferencial | El desenlace se busca o diagnostica con mayor intensidad en el grupo expuesto | Los pacientes en un nuevo programa de seguimiento intensivo reciben más diagnósticos de hipertensión no porque tengan más hipertensión, sino porque se mide más | Sobreestima la incidencia en el grupo expuesto |
| Sesgo de clasificación errónea | La medición del resultado tiene errores de clasificación que no son iguales en todos los grupos | Usar registros administrativos para clasificar diagnósticos de EPOC cuando la calidad del registro varía según el hospital | Puede ir en cualquier dirección según si es diferencial o no |
Confounding: la variable oculta que falsifica la historia
El confounding es, quizás, el sesgo más complejo de detectar y el más frecuente en estudios observacionales. Una variable de confusión (confounder) es aquella que: está asociada con la exposición, causa el desenlace de forma independiente, y no es un intermediario en la cadena causal entre exposición y desenlace.
El clásico ejemplo: el consumo de café (E) parece asociarse con cáncer de pulmón (D). Pero los bebedores de café tienden a fumar más (C). El tabaquismo es el verdadero responsable del cáncer de pulmón. Si no controlas el tabaquismo, la asociación café-cáncer parece real pero es espuria.
Los tres criterios para identificar un confounder
Para que una variable sea un confounder debe cumplir simultáneamente tres condiciones:
1. Estar asociada con la exposición (sin ser causada por ella).
2. Ser causa independiente del desenlace (en los grupos expuesto y no expuesto).
3. No ser un intermediario en la cadena causal entre exposición y desenlace.
Si una variable cumple las tres condiciones y no la controlas, el efecto que mides es una mezcla del efecto real de la exposición y del efecto del confounder. Esto se llama "confounding residual" cuando el ajuste es incompleto.
Caso 4 · Confounding por indicación en farmacología clínica
Un estudio observacional compara mortalidad en pacientes con insuficiencia cardíaca que reciben betabloqueantes versus los que no. El grupo sin betabloqueantes tiene mayor mortalidad — ¿los betabloqueantes son beneficiosos?
Posiblemente sí, pero hay un problema: a los pacientes más graves y con más comorbilidades se les suele no prescribir betabloqueantes por contraindicaciones. Este es el confounding por indicación: el fármaco no se asigna aleatoriamente — se prescribe precisamente a los pacientes que se espera que más se beneficien o que pueden tolerarlo. Los grupos comparados difieren sistemáticamente en gravedad basal.
Métodos de control: ajuste multivariado por índice de comorbilidades, propensity score matching, o — el más robusto — aleatorización.
Caso 5 · Healthy user bias en estudios de suplementos (Nutrición)
Numerosos estudios observacionales sugieren que los consumidores de vitamina E tienen menor riesgo cardiovascular. Pero los ensayos clínicos aleatorizados no confirmaron el beneficio. ¿Por qué?
Las personas que toman suplementos de vitamina E son, en promedio, personas más conscientes de su salud: hacen más ejercicio, fuman menos, consumen más frutas y verduras, tienen mejores controles médicos. Su menor riesgo cardiovascular se debe a su estilo de vida general, no a la vitamina E. Este es el healthy user bias, una forma de confounding por indicación especialmente frecuente en estudios de suplementos y medicamentos de venta libre.
| Método de control | Fase de aplicación | Ventaja | Limitación |
|---|---|---|---|
| Aleatorización | Diseño del estudio | Controla confounders conocidos Y desconocidos | Solo posible en ensayos; no siempre ético o factible |
| Restricción | Diseño (selección de participantes) | Simple: solo incluyes personas homogéneas en el confounder | Reduce la generalización; no controla variables no medidas |
| Emparejamiento (matching) | Diseño (estudios caso-control) | Equilibra el confounder entre casos y controles | Solo controla las variables por las que se empareja; puede sobreajustar |
| Ajuste multivariado | Análisis estadístico | Controla múltiples confounders simultáneamente | Solo controla los confounders medidos; asume modelo correcto |
| Propensity score | Análisis estadístico | Reduce dimensionalidad; bueno para muchos confounders | Tampoco controla confounders no medidos |
📖 Referencias — Confounding en investigación clínica
VanderWeele, T. J. & Shpitser, I. (2013). "On the definition of a confounder." Annals of Statistics, 41(1), 196–220. doi:10.1214/12-AOS1058
Kyriacou, D. N. & Lewis, R. J. (2016). "Confounding by indication in clinical research." JAMA, 316(17), 1818–1819. doi:10.1001/jama.2016.16435
Catalogue of Bias — Confounding: catalogofbias.org/biases/confounding
Sesgo de publicación: el conocimiento que nunca llegó a imprimirse
Existe un sesgo estructural en la ciencia biomédica: los estudios con resultados positivos o novedosos se publican mucho más fácilmente que los estudios negativos o que replican hallazgos previos. Turner et al. (2008) analizaron todos los ensayos de antidepresivos registrados ante la FDA: el 31% de los estudios nunca fue publicado. De los publicados, el 91% mostraban resultados positivos; del total registrado (incluyendo inéditos), solo el 51% eran positivos. La diferencia define la distorsión.
Cuando esos estudios inéditos se incluyen en un metaanálisis, el efecto observado cae drásticamente o desaparece. Los profesionales que leen el metaanálisis publicado están tomando decisiones clínicas basadas en una fracción sesgada de la evidencia.
El caso de los antidepresivos: la evidencia que cambia según los datos disponibles
Kirsch et al. (2008) realizaron un metaanálisis de todos los ensayos de antidepresivos registrados en la FDA, incluyendo los no publicados obtenidos mediante la Ley de Libertad de Información. Los resultados publicados mostraban un efecto significativo. Pero cuando se incluían los datos no publicados, el efecto para los pacientes con depresión leve a moderada era clínicamente irrelevante según los criterios de la guía NICE (diferencia inferior a 3 puntos en la escala HRSD de 17 ítems).
📖 Referencia: Turner, E. H. et al. (2008). "Selective publication of antidepressant trials and its influence on apparent efficacy." New England Journal of Medicine, 358(3), 252–260. doi:10.1056/NEJMsa065779
El Funnel Plot: ver el sesgo con tus ojos
El Funnel Plot es la herramienta visual estándar para detectar sesgo de publicación en un metaanálisis. Cada punto representa un estudio incluido. El eje X muestra el tamaño del efecto (OR, RR, diferencia de medias); el eje Y, la precisión del estudio — que aumenta con el tamaño muestral. Los estudios grandes, más precisos, están arriba; los pequeños, más imprecisos, abajo.
En ausencia de sesgo, los estudios pequeños producen estimaciones más dispersas pero centradas alrededor del mismo efecto real que los grandes — el resultado es un embudo simétrico. Cuando los estudios pequeños con resultados negativos no se publican, la esquina inferior izquierda queda vacía: el embudo pierde su lado izquierdo y el efecto medio se sobreestima.
El test de Egger: del ojo a la estadística
La evaluación visual del Funnel Plot es subjetiva, especialmente con pocos estudios. El test de Egger (1997) formaliza esta detección mediante una regresión lineal del efecto estandarizado sobre su precisión. Un intercepto estadísticamente diferente de cero sugiere asimetría sistemática. Sin embargo, la asimetría del Funnel Plot no siempre es sesgo de publicación: también puede deberse a heterogeneidad real entre estudios o a diferencias en la calidad metodológica. Por eso, es un indicador, no una prueba definitiva.
Regla práctica de Cochrane: el Funnel Plot tiene poder estadístico útil solo cuando hay al menos 10 estudios en el metaanálisis. Con menos, el resultado es poco fiable.
📖 Referencia: Egger, M. et al. (1997). "Bias in meta-analysis detected by a simple, graphical test." BMJ, 315(7109), 629–634. doi:10.1136/bmj.315.7109.629
El método Trim and Fill: corregir el sesgo estimado
Ante un Funnel Plot asimétrico, el método Trim and Fill(Duval & Tweedie, 2000) estima cuántos estudios podrían faltar, los "añade" como hipotéticos al lado vacío del embudo, y recalcula el efecto ajustado. No recupera los estudios perdidos realmente, pero da una estimación conservadora de cuánto podría cambiar el resultado si existieran. Si el efecto ajustado sigue siendo significativo, la conclusión es más robusta al sesgo de publicación.
Herramientas estandarizadas de evaluación del riesgo de sesgo
Leer un artículo con ojo crítico no depende solo de intuición. Existen instrumentos validados que estructuran la evaluación del riesgo de sesgo dominio por dominio, forzando al revisor a documentar cada juicio con evidencia del propio artículo.
| Herramienta | Para qué tipo de estudio | URL oficial | Dominios evaluados |
|---|---|---|---|
| RoB 2 (Cochrane) | Ensayos clínicos aleatorizados | methods.cochrane.org/bias/rob-2 | Proceso de aleatorización · Desviaciones del tratamiento · Datos faltantes · Medición del desenlace · Selección del resultado |
| ROBINS-I (Cochrane) | Estudios observacionales de intervenciones | methods.cochrane.org/robins-i | Confounding · Selección de participantes · Clasificación de la intervención · Desviaciones · Datos faltantes · Medición del desenlace · Selección del resultado |
| QUADAS-2 | Estudios de exactitud diagnóstica | www.quadas.org | Selección de pacientes · Prueba índice · Prueba de referencia · Flujo y tiempo |
| Newcastle-Ottawa Scale | Estudios de cohortes y caso-control | ohri.ca/programs/clinical_epidemiology/oxford.asp | Selección · Comparabilidad · Desenlace (cohortes) o Exposición (caso-control) |
📖 Referencias — Herramientas de riesgo de sesgo
Sterne, J. A. C. et al. (2019). "RoB 2: a revised tool for assessing risk of bias in randomised trials." BMJ, 366, l4898. doi:10.1136/bmj.l4898
Sterne, J. A. C. et al. (2016). "ROBINS-I: a tool for assessing risk of bias in non-randomised studies of interventions." BMJ, 355, i4919. doi:10.1136/bmj.i4919
Catalogue of Bias (Oxford): catalogofbias.org — Repositorio de más de 70 sesgos documentados, con definición, mecanismo y ejemplo clínico.
Cómo evaluar el riesgo de sesgo en un artículo: el proceso paso a paso
Lee la sección de Métodos antes de los Resultados
El abstract puede ocultar o minimizar problemas metodológicos. Lee Métodos primero: criterios de inclusión y exclusión, diseño, aleatorización (si la hay), cegamiento, y seguimiento. Solo después de entender cómo se hizo el estudio tiene sentido interpretar qué encontró.
Analiza la Tabla 1: ¿quiénes son los participantes?
La Tabla 1 describe las características basales de los grupos. Pregúntate: ¿se parecen a mis pacientes? ¿Hay diferencias importantes entre los grupos al inicio (posible fallo de aleatorización o confounding no controlado)? ¿Hay grupos muy homogéneos que sugieran criterios de exclusión demasiado restrictivos?
Evalúa el flujograma CONSORT: ¿qué pasó con todos los participantes?
El flujograma muestra cuántos participantes entraron, cuántos se asignaron a cada grupo, cuántos completaron el seguimiento y cuántos se excluyeron de cada análisis. Una pérdida >20% es señal de alerta. Verifica siempre si el análisis fue por Intención de Tratar (ITT) — la única forma de preservar las ventajas de la aleatorización.
Busca el registro del estudio y compara con los desenlaces publicados
Verifica si el estudio fue preregistrado en ClinicalTrials.gov u OSF. Compara los desenlaces primarios del protocolo con los del artículo. Si el desenlace primario registrado no fue el que se reportó como principal, puede ser HARKing o outcome switching — formas de sesgo de publicación interno.
Si es un metaanálisis: busca el Funnel Plot e interpreta la asimetría
Un Funnel Plot asimétrico no invalida automáticamente el metaanálisis, pero exige cautela. Verifica si los autores aplicaron el test de Egger o Begg, y si realizaron análisis Trim and Fill. Si no lo hicieron, las conclusiones deben interpretarse con reserva.
Reflexiona sobre la aplicabilidad a tu contexto
¿La muestra del estudio representa a tus pacientes en características demográficas, gravedad, comorbilidades y contexto sanitario? Un estudio internamente válido puede ser de escasa aplicabilidad si se realizó en un entorno muy diferente al tuyo. No toda evidencia de calidad es evidencia relevante para tu práctica.
Los errores más frecuentes al leer un artículo — y cómo corregirlos
| Error frecuente | Por qué es un problema | Consejo práctico |
|---|---|---|
| Confiar solo en el abstract | El abstract selecciona los resultados más favorables; las limitaciones y los datos de seguimiento suelen estar enterrados en el texto completo | Lee siempre Métodos y Tabla 1 completos. El abstract es un resumen de marketing, no un sustituto del artículo |
| Ignorar las pérdidas al seguimiento | Si el 30% de los participantes abandonó y no se sabe qué les pasó, el análisis disponible puede ser muy diferente del resultado en toda la muestra | Calcula el 'análisis de peor escenario': ¿qué pasaría si todos los que abandonaron hubieran empeorado? Si el resultado sigue siendo significativo, es robusto |
| Interpretar p < 0.05 sin evaluar el sesgo | Un sesgo de selección grave puede producir un p muy pequeño completamente espurio. La significación estadística no sustituye la validez metodológica | El orden correcto siempre es: diseño → riesgo de sesgo → tamaño del efecto → significación estadística |
| Pasar por alto el Funnel Plot en metaanálisis | La asimetría del embudo señala que el efecto combinado puede estar inflado por estudios negativos no publicados | Búscalo activamente. Si no está, es una limitación que debes mencionar al aplicar las conclusiones |
| Ignorar si los grupos basales eran comparables | Si los grupos difieren en la Tabla 1 en variables relevantes, puede haber confounding no ajustado que explique los resultados | Compara sistemáticamente los grupos en la Tabla 1 para detectar diferencias que podrían confundir la asociación |
Conceptos clave para consolidar
Quiz de verificación
En un metaanálisis observas un Funnel Plot con clara asimetría: los estudios pequeños con resultados negativos o neutros están ausentes en la esquina inferior izquierda. ¿Cuál es la interpretación más razonable?
Quiz de verificación
Una nutricionista lee que 'los consumidores habituales de omega-3 tienen un 25% menos de riesgo de depresión mayor'. El estudio es una cohorte observacional. Antes de recomendar suplementos, identifica la principal amenaza metodológica:
Recursos Curados para Profundizar
📖 Lecturas Fundamentales
- Kamangar, F. (2012). Confounding variables in epidemiologic studies: Basics and beyond. Archives of Iranian Medicine, 15(8), 508–516.Acceso libre en ResearchGate. Explicación accesible y completa del confounding para no estadísticos.
- Higgins, J. P. T., Thomas, J., Chandler, J. et al. (Eds.). Cochrane Handbook for Systematic Reviews of Interventions (versión actual).Capítulo 7 (Assessing risk of bias) es la referencia metodológica más completa y de acceso libre.
- Hernán, M. A. & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC.Descarga gratuita online. Texto de referencia para entender confounding, DAGs y sesgos desde la inferencia causal.
- Greenhalgh, T. (2019). How to Read a Paper: The Basics of Evidence-Based Medicine (6ª ed.). BMJ Books / Wiley.Guía práctica y muy legible para evaluar críticamente artículos clínicos.
🎬 Videos y Recursos Online
- Catalogue of Bias (Oxford): catalogofbias.orgRepositorio de más de 70 sesgos documentados, con definición, mecanismo y ejemplo clínico real.
- EQUATOR Network: equator-network.orgRed global de guías de reporte (CONSORT, STROBE, PRISMA) para todos los tipos de estudio en salud.
- Cochrane Training — Handbook online: training.cochrane.org/handbookCapítulo 7, sobre evaluación del riesgo de sesgo en revisiones sistemáticas.
- Herramienta RoB 2 online: riskofbias.infoPlataforma oficial para aplicar RoB 2 y ROBINS-I paso a paso.
- CONSORT Statement: consort-statement.orgGuía y flujograma estándar para reportar y evaluar pérdidas de seguimiento en ensayos clínicos.
- ClinicalTrials.gov: clinicaltrials.govRegistro público para verificar el preregistro y detectar outcome switching.
- Canal de YouTube: StatQuest with Josh Starmer.Explicaciones visuales y accesibles sobre confounding, sesgo y meta-análisis.
📚 Referencias Clave del Módulo
- Acton, E. K. & Willis, A. W. (2023). Core concepts in pharmacoepidemiology: Key biases arising in pharmacoepidemiologic studies. Pharmacoepidemiology and Drug Safety, 32(1), 9–18.
- Kyriacou, D. N. & Lewis, R. J. (2016). Confounding by indication in clinical research. JAMA, 316(17), 1818–1819.
- VanderWeele, T. J. & Shpitser, I. (2013). On the definition of a confounder. Annals of Statistics, 41(1), 196–220.
- Turner, E. H., Matthews, A. M., Linardatos, E., Tell, R. A. & Rosenthal, R. (2008). Selective publication of antidepressant trials and its influence on apparent efficacy. New England Journal of Medicine, 358(3), 252–260.
- Egger, M., Davey Smith, G., Schneider, M. & Minder, C. (1997). Bias in meta-analysis detected by a simple, graphical test. BMJ, 315(7109), 629–634.
- Sterne, J. A. C., Savović, J., Page, M. J. et al. (2019). RoB 2: a revised tool for assessing risk of bias in randomised trials. BMJ, 366, l4898.
- Sterne, J. A. C., Hernán, M. A., Reeves, B. C. et al. (2016). ROBINS-I: a tool for assessing risk of bias in non-randomised studies of interventions. BMJ, 355, i4919.
Detectar sesgos no es un ejercicio académico: es la herramienta que protege a tus pacientes de tratamientos ineficaces disfrazados de evidencia sólida. Cada vez que preguntas "¿quién falta en esta muestra?" o "¿qué resultados no llegaron a publicarse?", estás ejerciendo el escepticismo que la buena práctica clínica exige.