Módulo 06Diseño de Estudios
Muestreo Avanzado y Diseño de Estudios
Objetivos de aprendizaje
◆Distinguir muestreo probabilístico y no probabilístico, y elegir el adecuado según el contexto.
◆Calcular e interpretar el tamaño muestral básico para estudios de proporción y comparación de medias.
◆Aplicar los tres principios del diseño de experimentos (aleatorización, replicación y bloqueo).
◆Clasificar los tipos de estudios en salud y entender qué inferencias causales permite cada uno.
◆Conectar el diseño del estudio con la capacidad de controlar los sesgos identificados en el módulo anterior.
Conoces ya qué son los sesgos. Ahora aprenderás a atacarlos desde la raíz: el diseño. Un buen diseño no solo elige bien a quién estudiar, sino que también estructura cómo se asignan los tratamientos, cuántos individuos se necesitan y cómo se organizan los grupos para que la comparación sea justa. Esto es lo que transforma una observación en evidencia.
1
Muestreo Probabilístico: Profundidad
Estrategias para garantizar la representatividad en contextos complejos
En el módulo anterior viste los cuatro tipos básicos. Aquí añadimos la capa que realmente aparece en la práctica: la asignación de tamaños dentro del muestreo estratificado, el problema del muestreo polietápico y cuándo el diseño complejo exige corrección del análisis.
| Tipo | Asignación de n por estrato | Cuándo usarlo en salud |
|---|---|---|
| Estratificado proporcional | nₛ = n × Nₛ/N | Encuestas de salud nacional: cada servicio/región representada según su peso real |
| Estratificado óptimo (Neyman) | nₛ ∝ Nₛ × σₛ | Cuando la variabilidad difiere mucho entre estratos (ej: UCI vs. Atención Primaria) |
| Polietápico (clusters) | 1ᵃ etapa: unidades primarias; 2ᵃ: dentro de c/u | Estudios multicéntricos, encuestas de hogares, screening comunitario |
| Por cuotas (no prob.) | Fija n por subgrupo sin sorteo | Estudios piloto rápidos cuando no hay lista disponible |
💡El efecto del diseño (DEFF): cuando la complejidad tiene un coste estadístico
El muestreo por conglomerados (clusters) es eficiente logísticamente, pero estadísticamente costoso: las personas dentro de un mismo cluster son más parecidas entre sí que personas de distintos clusters (correlación intraclúster, ICC). Esto reduce la «información efectiva» de cada individuo adicional dentro del mismo cluster.
El efecto del diseño (DEFF) = Varianza(diseño complejo) / Varianza(MAS)
Si DEFF = 2, necesitas el doble de individuos que con MAS para la misma precisión. Los artículos de encuestas nacionales (ENDES, ENSE) siempre reportan DEFF.
El efecto del diseño (DEFF) = Varianza(diseño complejo) / Varianza(MAS)
Si DEFF = 2, necesitas el doble de individuos que con MAS para la misma precisión. Los artículos de encuestas nacionales (ENDES, ENSE) siempre reportan DEFF.
2
Muestreo No Probabilístico
Cuándo es la única opción y cómo mitigar sus limitaciones
🏥
Conveniencia
Pacientes accesibles en tu propio servicio. Rápido pero con sesgo de selección inherente.
🧐
Intencional / Juicio
Seleccionas casos que cumplen criterios específicos de interés. Útil en estudios de caso y piloto.
🌐
Bola de nieve
Participantes reclutan a otros de su red. Para poblaciones de difícil acceso (adicciones, VIH, colectivos estigmatizados).
📊
Cuotas
Se fijan proporciones por subgrupo (edad, sexo) sin aleatorización interna. El cuasi-estratificado del investigador.
⚠️La trampa de generalizar desde una muestra no probabilística
En investigación clínica, la mayoría de los estudios observacionales usan muestreo por conveniencia (pacientes de un hospital, voluntarios de un estudio). Esto es aceptable si se declara explícitamente y la discusión reconoce que los resultados aplican al perfil de pacientes del centro, no a la población general. El error frecuente es presentar conclusiones amplias («los pacientes con EPOC tienen…») sin reconocer que la muestra solo incluyó pacientes hospitalizados moderados-graves.
3
Tamaño Muestral: el Equilibrio entre Precisión y Recursos
Ni demasiado pequeño (sin poder), ni demasiado grande (costoso e innecesario)
El tamaño muestral no es un número que se elige al azar o que se maximiza sin límite. Es un cálculo preciso que depende de cuánta imprecisión puedes tolerar, qué tan grande esperas que sea el efecto que buscas, y con qué probabilidad quieres detectarlo si realmente existe.
🎯
Nivel de confianza (1−α)
95% es el estándar. A mayor confianza, mayor n. Con 99% de confianza necesitas más personas.
⚡
Potencia estadística (1−β)
80–90% es habitual. La probabilidad de detectar un efecto si existe. Baja potencia = muchos falsos negativos.
📏
Tamaño del efecto (δ)
La diferencia mínima clínicamente relevante. Efectos pequeños requieren muestras mucho mayores.
📉
Variabilidad (σ o p)
Más variabilidad en los datos → más individuos necesarios para obtener la misma precisión.
Estimador de Tamaño Muestral
90%95%99%
385
participantes necesarios
Para estimar una proporción de 50% con un error máximo de ±5% y un nivel de confianza del 95%.
⚠️ Considera agregar un 10–20% por pérdidas durante el seguimiento.
✅Ejemplo real: estudio de adherencia en pacientes diabéticos
Un estudio quiere estimar la proporción de pacientes con DM2 que logra HbA1c < 7% en atención primaria. Estudios previos sugieren un 40–50%.
Con p = 0.50 (estimación conservadora), ε = ±5% y confianza 95%: n ≈ 385 pacientes.
Con ε = ±3%: n ≈ 1.067.
Conclusión práctica: reducir a la mitad el margen de error cuadruplica el tamaño muestral. La elección de ε es una decisión clínica, no estadística.
Con p = 0.50 (estimación conservadora), ε = ±5% y confianza 95%: n ≈ 385 pacientes.
Con ε = ±3%: n ≈ 1.067.
Conclusión práctica: reducir a la mitad el margen de error cuadruplica el tamaño muestral. La elección de ε es una decisión clínica, no estadística.
4
Los Tres Principios del Diseño de Experimentos
La gramática que hace legibles los resultados de un estudio experimental
Ronald Fisher formuló en los años 1920 los principios que todavía rigen el diseño experimental moderno. No son dogmas: son soluciones elegantes a problemas reales de interpretación de resultados.
🧠Aleatorización: el principio más importante
La aleatorización es lo que convierte la «asociación» en «causalidad plausible». Al asignar tratamientos al azar, se garantiza que en promedio los grupos sean comparables en todas las variables conocidas y desconocidas. Ningún ajuste estadístico posterior puede reemplazar lo que logra la aleatorización en el diseño. Un estudio observacional con ajuste multivariante siempre asume que no hay confusores no medidos — un supuesto que no se puede verificar.
💡Bloqueo: la solución elegante a la variabilidad predecible
El bloqueo consiste en agrupar unidades experimentales que son más similares entre sí (mismo centro hospitalario, misma cohorte de edad, misma semana de reclutamiento) y aleatorizar dentro de cada bloque.
En un ECA multicéntrico, el «centro» es un factor de bloqueo: las condiciones locales (equipamiento, práctica habitual, perfil de pacientes) varían entre centros. Bloqueando por centro, esa variabilidad se controla y la comparación intervención-control es más limpia dentro de cada centro.
En un ECA multicéntrico, el «centro» es un factor de bloqueo: las condiciones locales (equipamiento, práctica habitual, perfil de pacientes) varían entre centros. Bloqueando por centro, esa variabilidad se controla y la comparación intervención-control es más limpia dentro de cada centro.
5
Tipos de Estudios en Salud
Cada diseño responde una pregunta distinta con un nivel diferente de evidencia causal
| Diseño | Pregunta que responde | Medida de asociación | Limitación principal |
|---|---|---|---|
| Transversal | ¿Qué proporción tiene X? | Prevalencia, OR crudo | No infiere causalidad, sesgo de supervivencia |
| Cohorte | ¿Quiénes desarrollan el evento? | Riesgo Relativo (RR), Hazard Ratio | Caro, largo plazo, pérdidas en el seguimiento |
| Caso-Control | ¿Qué causó el evento pasado? | Odds Ratio (OR) | Sesgo de memoria, no estima incidencia directa |
| ECA | ¿Funciona la intervención? | RR, NNT, diferencia de medias | Caro, criterios estrictos, validez externa limitada |
| Cuasi-experimental | ¿Hubo cambio antes-después? | Diferencias pre-post | Sin aleatorización: confusión residual inevitable |
✅El NNT: traduciendo resultados estadísticos a decisiones clínicas
El Número Necesario a Tratar (NNT) = 1 / Reducción Absoluta del Riesgo es la medida más útil para la práctica porque responde: «¿a cuántos pacientes hay que tratar para evitar un evento?».
Si un antihipertensivo reduce el riesgo de ictus del 8% al 5% (RAR = 3%): NNT = 1 / 0.03 = 33 pacientes durante el tiempo del ensayo para evitar un ictus. Esta cifra contextualiza si el beneficio justifica el coste y los efectos adversos.
Si un antihipertensivo reduce el riesgo de ictus del 8% al 5% (RAR = 3%): NNT = 1 / 0.03 = 33 pacientes durante el tiempo del ensayo para evitar un ictus. Esta cifra contextualiza si el beneficio justifica el coste y los efectos adversos.
6
Consolida lo Aprendido
Verifica tu comprensión
Un investigador diseña un ECA para comparar dos pautas analgésicas en dolor postoperatorio. Recluta pacientes en 6 hospitales distintos con diferentes protocolos de manejo. ¿Qué principio del DoE debería aplicar para controlar la variabilidad entre centros?
Verifica tu comprensión
Una farmacéutica quiere estudiar si los pacientes de edad avanzada (>75 años) tienen mayor riesgo de hipoglucemia grave con insulina que los adultos menores. ¿Cuál es el diseño de estudio más adecuado considerando que el evento es poco frecuente?
📚 Recursos y Referencias Clave
Sobre diseño de estudios
Hulley, S. B., Cummings, S. R., Browner, W. S., Grady, D. G., & Newman, T. B. (2013). Designing clinical research (4ª ed.). LWW.
El manual de referencia en diseño de investigación clínica: tipos de estudios, muestreo y cálculo muestral.
Montgomery, D. C. (2017). Design and analysis of experiments (9ª ed.). Wiley.
Texto clásico sobre DoE. Capítulos 2–4: los tres principios y diseños completamente aleatorizados.
CONSORT Group. (2010). The CONSORT statement. https://www.consort-statement.org
Lista de verificación para reportar ECAs. Estándar mundial adoptado por las principales revistas médicas.
Para el día a día
Gordis, L. (2014). Epidemiology (5ª ed.). Elsevier Saunders.
Capítulos 7–12: tipos de estudios epidemiológicos con ejemplos de salud pública accesibles.
Sackett, D. L., Straus, S. E., Richardson, W. S., Rosenberg, W., & Haynes, R. B. (2000). Evidence-based medicine (2ª ed.). Churchill Livingstone.
La fuente original de la pirámide de evidencia y la lectura crítica de estudios clínicos.
🛠️ Herramientas
G*Power (software libre)— cálculo de tamaño muestral para >50 diseños estadísticos.
STROBE / CONSORT / PRISMA — guías de reporte según tipo de estudio.
STROBE / CONSORT / PRISMA — guías de reporte según tipo de estudio.