Ética Estadística: La Integridad Detrás de Cada Número
Del dato crudo a la decisión clínica: por qué el rigor ético importa en cada paso del análisis
Objetivo: Comprender que cada fase del proceso estadístico —recolección, limpieza, modelamiento e interpretación— tiene dimensiones éticas inseparables de su dimensión técnica, y aprender a actuar con integridad en cada una de ellas.
Cuando los números mienten sin que nadie haya mentido
Imagina esta escena: un comité de ética hospitalaria revisa tu estudio sobre un nuevo protocolo de prevención de úlceras por presión. Los números son correctos, el análisis es impecable, el p-valor es significativo. Pero alguien pregunta: "¿Por qué excluyeron a los pacientes más graves del análisis?" Silencio incómodo. No hubo fraude, no hubo fabricación de datos. Solo una decisión "técnica" de limpieza que, vista desde la ética, distorsionó completamente la realidad clínica. Bienvenido al terreno donde la estadística y la ética se funden en una sola disciplina.
🔄 El Viaje Ético del Dato: Cuatro Estaciones de Decisión
Un error frecuente —y peligroso— es pensar que la ética estadística se reduce a "no fabricar datos" o "no mentir en los resultados". La realidad es mucho más sutil y desafiante. Las decisiones con mayor carga ética suceden mucho antes del informe final: cuando decides qué registrar, cómo limpiar los datos, qué modelo elegir y cómo comunicar lo que encontraste. Una cadena de decisiones aparentemente técnicas puede producir conclusiones sesgadas, injustas o directamente dañinas, aunque ninguna de ellas sea individualmente fraudulenta.
Anécdota de un epidemiólogo senior: "En mis 30 años revisando artículos para revistas clínicas, solo he detectado fabricación de datos dos veces. Pero he encontrado decisiones de limpieza no documentadas que cambiaban las conclusiones en al menos el 15% de los manuscritos. El problema casi nunca es la mentira descarada; es la decisión 'técnica' que nadie cuestionó porque parecía inocua."
El ciclo ético del dato estadístico en salud
Fase 1 — Recolección y gestión: ¿Qué se registra, con qué rigor, quién tiene acceso y cómo se protege la privacidad del paciente?
Fase 2 — Limpieza y transformación: ¿Cómo se manejan outliers, datos faltantes y transformaciones sin fabricar los resultados deseados?
Fase 3 — Modelamiento y pronóstico: ¿Cómo se selecciona un modelo y qué consecuencias tiene sobre quiénes se benefician o son perjudicados?
Fase 4 — Interpretación y comunicación: ¿Cómo se informan los resultados sin inflarlos, sesgarlos o hacerlos incomprensibles para quienes toman decisiones clínicas?
📋 Fase 1: Recolección y Gestión Ética del Dato Crudo
¿Por qué importa éticamente cómo recolectas los datos?
El dato clínico no es una observación neutral: es el resultado de decisiones sobre qué medir, en quién, con qué instrumento, y quién tiene acceso a esa información. Cada una de esas decisiones puede introducir sesgos que persisten hasta el análisis final, por más sofisticado que sea el modelo estadístico aplicado después. Garbage in, garbage out no es solo un problema técnico: si los datos de entrada son sistemáticamente incompletos para ciertos grupos poblacionales, los resultados serán sistemáticamente injustos para esos mismos grupos.
Los principios FAIR: el estándar internacional de gestión ética del dato
Publicados en 2016 en Scientific Data (Wilkinson et al.), los principios FAIR definen que los datos de investigación deben ser:
F — Findable (Encontrables): Con identificadores únicos y metadatos que permitan localizarlos.
A — Accessible (Accesibles): Disponibles bajo condiciones claras; accesibles para quienes tienen autorización.
I — Interoperable (Interoperables): En formatos estándar que permitan combinarlos con otros conjuntos de datos.
R — Reusable (Reutilizables): Con documentación suficiente de proveniencia, licencias claras y criterios de calidad registrados.
Aplicar FAIR no es burocracia: es la condición mínima para que otro investigador pueda verificar tus datos, detectar errores y replicar tus conclusiones.
La trazabilidad como compromiso ético
La proveniencia del dato (quién lo registró, cuándo, con qué instrumento, bajo qué condiciones) no es un tecnicismo de bases de datos: es la cadena de custodia que permite verificar si lo que reportas es lo que realmente observaste. Sin trazabilidad, cualquier afirmación sobre los datos es, en el mejor caso, inverificable y, en el peor, indistinguible de una fabricación.
| Práctica | Riesgo Ético | Estándar Correcto |
|---|---|---|
| Registrar datos directamente en la hoja de análisis, sin fuente primaria | Imposible verificar si el dato fue transcrito correctamente o alterado post hoc | Mantener siempre una fuente primaria inmutable (papel original, base de datos con marca de tiempo, REDCap con auditoría) |
| No documentar las versiones del conjunto de datos | Si alguien detecta un error posterior, es imposible saber qué análisis se hizo con qué versión | Versionar los datos con fecha (ej. datos_v1_20240301.csv) y registrar en un log todos los cambios realizados |
| Compartir datos sin anonimización suficiente | Violación de privacidad de participantes; en muchos países, infracción legal (RGPD en Europa, Habeas Data en Colombia) | Aplicar protocolo de anonimización antes de compartir; usar repositorios con control de acceso (OSF, Zenodo, PhysioNet para datos clínicos) |
| Recopilar datos solo de grupos convenientes (p. ej., solo hombres adultos porque son más fáciles de reclutar) | El modelo o la intervención resultante puede no funcionar en mujeres, niños o ancianos — daño para esos grupos ignorados | Definir a priori los criterios de inclusión/exclusión y justificarlos. Si hay limitaciones, declararlas explícitamente en las limitaciones del estudio |
🛠️ Herramientas prácticas de gestión ética del dato
REDCap: Sistema de captura de datos para investigación clínica con auditoría de cambios. Estándar en hospitales universitarios. project-redcap.org
OSF (Open Science Framework): Almacenamiento con control de versiones, preregistro y opción de acceso restringido para datos sensibles. osf.io
Zenodo: Repositorio del CERN para datos de investigación; asigna DOI a cada depósito, lo que garantiza trazabilidad y citabilidad. zenodo.org
PhysioNet: Repositorio especializado en datos fisiológicos y clínicos con protocolos de acceso controlado. physionet.org
🧹 Fase 2: Limpieza y Transformación Ética de los Datos
El momento más silencioso de los sesgos
La limpieza de datos ocurre antes del análisis formal, lo que la hace invisible en los artículos publicados. Sin embargo, es exactamente aquí donde más decisiones discrecionales se toman: qué observaciones se consideran errores, cuáles se imputan, cómo se manejan los valores extremos. Cada una de esas decisiones puede alterar el resultado final tanto como una prueba estadística mal elegida. La diferencia entre limpiar datos y manipularlos reside en una sola cosa: si las reglas se establecieron antes de ver los resultados o después.
El dilema ético de los valores atípicos (outliers)
Un valor atípico puede ser tres cosas muy distintas: un error de medición, una variación biológica real, o la señal más importante del conjunto de datos. Eliminar outliers sin justificación previa es la forma más encubierta de p-hacking. Pero mantenerlos ciegamente también puede ser un error metodológico si se trata de errores de captura verificables.
Los outliers pueden ser las voces más importantes de tus datos
En epidemiología, los valores extremos suelen representar a pacientes con presentaciones atípicas de la enfermedad, comorbilidades severas o pertenecientes a subpoblaciones subrepresentadas en el estudio. Eliminarlos porque complican el análisis es eliminar precisamente a quienes más necesitamos entender. Como señala Cathy O'Neil en Weapons of Math Destruction (2016): "Las reglas matemáticas frecuentemente ocultan juicios de valor." En el manejo de outliers, decidir qué cuenta como 'ruido' es decidir de quién importa la experiencia.
Define las reglas de exclusión ANTES de ver los datos
En el protocolo o plan de análisis estadístico (SAP), especifica: '¿Se excluirán observaciones con valores fuera de X rango fisiológico? ¿Por qué ese rango?' Si las reglas de limpieza no estaban escritas antes, cualquier exclusión posterior es sospechosa de cherry-picking.
Distingue entre error de captura y variación real
Un paciente con una presión arterial de 400 mmHg registrada es probablemente un error de captura (justificado excluir con documentación). Un paciente con PA de 200 mmHg es un hallazgo clínico real que debe mantenerse en el análisis principal y mencionarse en los resultados.
Documenta CADA exclusión y su razón
El análisis ético requiere un 'log de limpieza': cuántos registros había, cuántos se excluyeron, por qué criterio, cuántos quedan. Este registro es parte de la trazabilidad del estudio y debe estar disponible para revisores. El flujo CONSORT para ensayos clínicos exige exactamente esto.
Realiza análisis de sensibilidad
Una vez hecho el análisis principal, repítelo incluyendo los outliers excluidos. Si los resultados cambian dramáticamente, tienes un hallazgo de robustez que debe reportarse. Si son estables, tienes evidencia de que la exclusión fue metodológicamente justificada.
Imputa datos faltantes con método explícito y justificado
La imputación múltiple (MICE) es el estándar actual para datos faltantes no aleatorios. Usarla no es obligatorio, pero sí lo es justificar qué método usaste y por qué. El método 'last observation carried forward' (LOCF) puede introducir sesgos sistemáticos y es cada vez menos aceptado sin justificación.
| Práctica de Limpieza | ¿Ética o Antiética? | Criterio de Distinción |
|---|---|---|
| Excluir registros duplicados verificados | ✅ Ética | El criterio (registro con mismo ID y fecha) estaba especificado a priori en el protocolo |
| Excluir pacientes que no respondieron al tratamiento porque 'ensucian' el resultado | ❌ Antiética (ITT violado) | Se violan los principios de Intención de Tratar; los no respondedores son información clínica crítica |
| Transformar una variable con distribución asimétrica (log, raíz cuadrada) antes del análisis | ✅ Ética si está justificada | La transformación debe estar justificada metodológicamente a priori, no elegida post hoc para mejorar el p-valor |
| Elegir la transformación que produce el p-valor más pequeño entre varias probadas | ❌ Antiética (forma de p-hacking) | La transformación se eligió en función del resultado deseado, no de las propiedades de los datos |
| Imputar datos faltantes con la media del grupo y reportarlo en métodos | ⚠️ Aceptable con precauciones | Es un método conservador pero puede subestimar la varianza. Aceptable en pilotos si se declara; no ideal en estudios confirmatorios |
🤖 Fase 3: Selección de Modelos, Pronósticos y Sesgos Algorítmicos
Por qué elegir un modelo es una decisión moral, no solo estadística
Un modelo estadístico o de machine learning no describe la realidad: la aproxima bajo ciertos supuestos. Qué modelo eliges, con qué datos lo entrenas, cómo lo evalúas y a qué población lo aplicas determina a quién beneficia y a quién perjudica. En salud, esta no es una consideración abstracta: los modelos predictivos clínicos se usan para asignar recursos, priorizar atención, tomar decisiones de tratamiento o determinar elegibilidad para ensayos.
⚠️ Caso real: el algoritmo que discriminó por raza sin usar la raza como variable
En 2019, Obermeyer et al. publicaron en Science que un algoritmo comercial usado en hospitales de EE.UU. para priorizar pacientes de alto riesgo subestimaba sistemáticamente la gravedad de los pacientes negros. El algoritmo usaba el costo histórico de atención médica como proxy de necesidad de salud — una variable aparentemente neutral. Pero el costo histórico refleja acceso al sistema, no necesidad real: los pacientes negros históricamente habían recibido menos atención (y por tanto generado menos costos), así que el algoritmo los clasificaba como menos enfermos de lo que realmente estaban. El sesgo no estaba en el algoritmo: estaba en los datos, que codificaban décadas de inequidad estructural.
Los tres tipos de sesgo algorítmico en salud
| Tipo de Sesgo | Mecanismo | Ejemplo Clínico | Mitigación |
|---|---|---|---|
| Sesgo de datos históricos | El modelo aprende de datos que reflejan inequidades pasadas del sistema de salud | Un modelo entrenado con registros de un hospital terciario no generaliza bien a poblaciones rurales o de bajos recursos que rara vez llegaban a ese hospital | Diversificar las fuentes de entrenamiento; documentar de dónde vienen los datos y qué poblaciones están subrepresentadas |
| Sesgo por proxy variable | Se usa una variable correlacionada con raza, sexo o nivel socioeconómico en lugar de la variable de interés clínico | Usar 'cumplimiento del tratamiento' como predictor, cuando el incumplimiento está correlacionado con acceso a medicamentos, no con voluntad del paciente | Análisis de equidad (fairness audit) por subgrupos antes de implementar; usar variables con validez clínica directa |
| Overfitting (sobreajuste) | El modelo se ajusta demasiado a los datos de entrenamiento y no generaliza a nuevos pacientes | Un modelo que predice mortalidad con 98% de precisión en el hospital donde se desarrolló, pero con 65% en otro hospital de la misma ciudad | Validación externa obligatoria antes de implementación clínica; reportar métricas en la cohorte de validación, no solo en la de entrenamiento |
🤔 Preguntas éticas antes de implementar un modelo predictivo en clínica
1. ¿En qué datos fue entrenado? ¿Qué poblaciones representan y cuáles están ausentes?
2. ¿Fue validado externamente? ¿En una cohorte diferente, en un contexto diferente?
3. ¿Se evaluó el rendimiento por subgrupos? ¿Funciona igual de bien en hombres y mujeres, en jóvenes y ancianos, en distintos grupos étnicos?
4. ¿Qué pasa cuando el modelo se equivoca? ¿Los errores son aleatorios o sistemáticamente perjudican a ciertos grupos?
5. ¿Es interpretable para quien lo usará? Un clínico que no entiende por qué el modelo emite una alerta no puede ejercer juicio crítico sobre ella.
6. ¿Quién es responsable cuando el modelo causa daño? La responsabilidad no puede ser difusa entre el desarrollador, el hospital y el médico.
🧠 Los Sesgos Cognitivos del Investigador: El Factor Humano en el Análisis
Hasta aquí hemos hablado de sesgos en los datos y en los algoritmos. Pero existe otro tipo de sesgo igualmente peligroso: el del investigador que analiza. Los sesgos cognitivos son errores sistemáticos de pensamiento que afectan cómo buscamos, interpretamos y recordamos la evidencia. No son fallos de inteligencia: son características del procesamiento humano de información, documentadas empíricamente en décadas de investigación cognitiva y que afectan a expertos tanto como a novatos.
Dato que humilla: Willems et al. (2023) evaluaron a 898 clínicos en preguntas básicas de estadística. La mayoría respondió mal, pero lo más preocupante fue que los más seguros de sus respuestas eran los más propensos a interpretar mal los p-valores. La confianza no correlaciona con la competencia estadística; de hecho, a menudo la inversa.
| Sesgo Cognitivo | ¿Cómo Aparece en Estadística Clínica? | Antídoto |
|---|---|---|
| Sesgo de confirmación | Interpretar resultados ambiguos como favorables a nuestra hipótesis inicial. Buscar literatura que apoya nuestra teoría e ignorar la que la contradice. Seleccionar subgrupos post hoc que confirman el resultado esperado. | Análisis ciego (sin saber qué grupo es intervención/control). Revisión sistemática de literatura incluyendo activamente resultados nulos. Preregistro de hipótesis. |
| Sesgo de anclaje | El primer resultado que ves ('el p-valor salió 0.04') ancla toda la interpretación posterior, aunque los análisis de sensibilidad muestren que el efecto es inestable. | Revisar intervalos de confianza y tamaños de efecto antes de mirar el p-valor. Evaluar la consistencia del resultado en todos los análisis secundarios. |
| Exceso de confianza | Un hallazgo en un solo estudio lleva a conclusiones universales. Interpretar como 'efecto establecido' lo que es un único hallazgo preliminar. | Verificar el poder estadístico del estudio. Distinguir entre estudios exploratorios y confirmatorios. Reportar el intervalo de confianza como medida de incertidumbre. |
| Sesgo de disponibilidad | Sobreestimar la frecuencia de efectos adversos que vienen a la mente fácilmente (porque ocurrieron recientemente o fueron dramáticos), subestimando los más comunes pero 'aburridos'. | Usar datos de incidencia actualizados de fuentes sistemáticas (registros, metaanálisis) en lugar de estimaciones intuitivas. |
| Sesgo del costo hundido | Defender una hipótesis rechazada por los datos porque se invirtieron años de investigación en ella. No reportar resultados nulos porque 'arruinan el artículo'. | Entender que un resultado nulo es científicamente tan valioso como uno positivo — y éticamente superior a no publicar. La publicación negativa evita que otros repitan el error. |
🔬 El análisis ciego como antídoto estructural al sesgo de confirmación
El análisis ciego (blinded analysis) consiste en analizar los datos sin saber cuál grupo es la intervención y cuál es el control, hasta tomar las decisiones analíticas clave. Es la extensión lógica del cegamiento clínico al estadístico. Si bien es imposible en muchos diseños, cuando es factible elimina la principal fuente de sesgo de confirmación en el análisis. Varios grupos han propuesto extensiones de este concepto para estudios observacionales bajo el nombre de "análisis de especificación ciega" (blind specification analysis).
📢 Fase 4: Interpretación Ética y Comunicación de Resultados
El "spin" estadístico: cómo la verdad puede ser engañosa
El spin en reporte de resultados es la práctica de presentar los datos de forma técnicamente correcta pero comunicativamente distorsionada, de manera que el lector forme una impresión más favorable del tratamiento o el hallazgo de lo que los datos justifican. No es mentir: es elegir cuidadosamente qué verdad contar y cómo contarla. La revisión sistemática de Boutron et al. (2010) encontró spin en el 57% de los ensayos clínicos aleatorizados con resultados primarios no significativos publicados en revistas biomédicas de alto impacto.
| Forma de Spin | Ejemplo Real | Reporte Ético Equivalente |
|---|---|---|
| Usar riesgo relativo en lugar de riesgo absoluto para exagerar el efecto | 'El tratamiento X reduce el riesgo de infarto en un 50%' (RRR). El riesgo basal era 2%, y con tratamiento es 1%: reducción absoluta de 1 punto porcentual. NNT = 100. | Reportar siempre riesgo absoluto (ARR) y NNT junto al riesgo relativo. 'La reducción absoluta fue del 1% (IC 95%: 0.2%–1.8%), con un NNT de 100 pacientes durante 5 años.' |
| Presentar un desenlace secundario significativo como si fuera el resultado principal | El estudio no alcanzó su endpoint primario (mortalidad), pero una mejoría en calidad de vida reportada como subescala fue 'significativa' y se convierte en el título del artículo. | El abstract y la conclusión deben reflejar el resultado del desenlace primario preregistrado. Los secundarios se reportan como exploratorios. |
| Interpretar la ausencia de significación estadística como 'sin efecto' | 'No encontramos diferencias significativas entre los grupos, por lo tanto el nuevo tratamiento es equivalente al estándar.' | 'El estudio no tuvo poder estadístico suficiente para detectar diferencias. El intervalo de confianza del 95% para la diferencia media fue [-3.2, 8.1], que incluye tanto la posibilidad de un efecto clínicamente relevante como de ausencia de efecto.' |
| Reportar solo el p-valor sin el tamaño del efecto | 'La diferencia fue estadísticamente significativa (p=0.001)' — en un estudio con n=50,000 donde la diferencia clínica es trivial. | Reportar siempre el tamaño del efecto (d de Cohen, RR, OR, diferencia de medias) e interpretar su relevancia clínica, no solo la significancia estadística. |
📰 La trampa del riesgo relativo: el ejemplo más recurrente en prensa médica
En 2019, titulares de medios de todo el mundo proclamaron que la terapia hormonal sustitutiva (THS) aumentaba el riesgo de cáncer de mama "en un 30%". Este era el riesgo relativo. El riesgo absoluto, que los titulares omitieron: de cada 50 mujeres que no toman THS durante 5 años, 3 desarrollan cáncer de mama. Con THS, son 4 de 50. Una mujer adicional por cada 50 tratadas. Una diferencia real — pero muy distinta a la impresión de "30% más de riesgo" que domina la percepción pública.
La obligación ética del investigador es presentar ambas cifras. Comunicar solo el riesgo relativo no es un error estadístico: es una elección comunicativa con consecuencias reales en las decisiones de las pacientes.
Comunicar resultados a no-expertos: una obligación ética, no un opcional
Si tu investigación fue financiada con fondos públicos o involucró participantes humanos, tienes una deuda de claridad con la sociedad. Comunicar bien los resultados estadísticos a no-expertos no es simplificar ni vulgarizar: es hacer accesible la incertidumbre, los límites del conocimiento y la relevancia práctica de los hallazgos.
Usa frecuencias naturales, no probabilidades
'10 de cada 1000 pacientes' es comprendido correctamente por el 90% de las personas. '1% de los pacientes' es comprendido por menos del 25%. La investigación de Gigerenzer y Hoffrage (1995) demostró que el formato de frecuencias naturales mejora dramáticamente la comprensión estadística en médicos y pacientes.
Reporta siempre riesgo absoluto Y relativo, nunca solo uno
El riesgo relativo captura el tamaño del efecto independientemente del riesgo basal, útil para comparar estudios. El riesgo absoluto y el NNT (número necesario a tratar) son los más relevantes para decisiones clínicas individuales. Reportar ambos no es redundante: es completo.
Presenta la incertidumbre, no la ocultes
Un intervalo de confianza amplio no es una vergüenza a esconder: es información valiosa que dice al lector cuánto sabe realmente el estudio. 'El efecto estimado fue de 5 puntos (IC 95%: 0.1–9.9)' transmite algo muy diferente a '5 puntos (IC 95%: 4.8–5.2)'.
Distingue relevancia estadística de relevancia clínica
Un resultado estadísticamente significativo puede ser clínicamente irrelevante si el tamaño del efecto es pequeño. Define antes del análisis cuál es la diferencia mínima clínicamente importante (MCID) para tu desenlace.
Reporta los resultados nulos con la misma energía que los positivos
No encontrar un efecto es un hallazgo científico valioso. 'No encontramos evidencia de que X sea efectivo en esta población' es información que evita que miles de pacientes reciban intervenciones inútiles y que otros investigadores repitan el mismo experimento negativo.
Quiz de verificación
Un investigador anuncia: 'Nuestro nuevo fármaco reduce el riesgo de accidente cerebrovascular en un 40%.' El riesgo basal en la población estudiada era del 2% a 10 años, y con el fármaco fue del 1.2%. ¿Cuál es la evaluación ética y estadística más correcta?
📋 Preregistro y Registered Reports: la garantía de la transparencia
El debate sobre la distinción entre análisis confirmatorio y exploratorio tiene una solución práctica concreta: el preregistro. Registrar de forma pública —antes de recolectar o ver los datos— la pregunta, los desenlaces primarios, el plan de análisis y los criterios de éxito convierte el estudio confirmatorio en verificable. Sin preregistro, nadie puede distinguir, a posteriori, si las hipótesis se plantearon antes o después de ver los datos (HARKing).
🔬 ClinicalTrials.gov
Obligatorio para ensayos clínicos que buscan publicación en revistas ICMJE. El registro previo al reclutamiento documenta desenlaces primarios, plan de análisis y tamaño muestral. Permite comparar lo preregistrado con lo publicado y detectar cambios post-hoc en los desenlaces (outcome switching).
clinicaltrials.gov
🔓 OSF (Open Science Framework)
Plataforma del Center for Open Science, gratuita y de acceso abierto, para preregistrar estudios observacionales, cuasi-experimentales y secundarios (que no caben en ClinicalTrials). Permite timestamping, control de versiones y acceso embargado hasta publicación. Ampliamente aceptada por revistas de psicología, enfermería y salud pública.
osf.io
Conexión con el Módulo 11 (Estudio Piloto)
El preregistro aplica también a los estudios piloto. Al preregistrar un piloto, estableces de antemano que los desenlaces son de proceso (reclutamiento, retención, variabilidad), no de eficacia. Esto protege contra la tentación de reportar un efecto exploratorio como si fuera confirmatorio —el error más frecuente en pilotos publicados en ciencias de la salud.
🔄 Síntesis: El Ciclo Virtuoso de la Estadística Ética
La ética estadística no es una lista de prohibiciones. Es una forma de trabajar que hace que la ciencia funcione mejor: produce resultados más reproducibles, más confiables y más útiles para las personas que dependen de ellos. Cada decisión ética tiene un correlato metodológico que mejora la calidad del trabajo:
| Decisión Ética | Beneficio Metodológico Directo |
|---|---|
| Preregistrar hipótesis y plan de análisis | Separa confirmación de exploración; protege la validez inferencial |
| Documentar cada decisión de limpieza de datos | Hace el análisis reproducible; permite auditoría y detección de errores |
| Validar externamente los modelos antes de implementarlos | Detecta overfitting y sesgos de generalización que destruirían el valor del modelo en uso real |
| Reportar intervalos de confianza y tamaños de efecto junto a p-valores | Da información completa para que lectores y clínicos evalúen la relevancia práctica |
| Publicar resultados nulos | Reduce el sesgo de publicación, ahorra recursos a otros investigadores, y protege a pacientes de intervenciones inútiles |
| Comunicar riesgos absolutos y relativos | Permite decisiones informadas por pacientes y clínicos; reduce el efecto de framing sobre la percepción del beneficio |
Recursos Curados para Profundizar
📖 Lecturas Fundamentales
- O'Neil, C. (2016). Weapons of Math Destruction. Crown Publishers.Análisis accesible sobre cómo las decisiones "técnicas" en datos reproducen injusticias estructurales.
- Gigerenzer, G. (2002). Reckoning with Risk: Learning to Live with Uncertainty. Penguin Books.El libro más accesible sobre razonamiento estadístico para no especialistas.
- Barocas, S., Hardt, M. & Narayanan, A. (2023). Fairness and Machine Learning. MIT Press.Acceso libre en fairmlbook.org — El texto de referencia en equidad algorítmica.
- Hernán, M. A. & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC.Descarga gratuita online. Imprescindible para entender DAGs y confusión.
🎬 Videos y Recursos Online
- Catalogue of Bias (Oxford): catalogofbias.orgRepositorio de más de 70 sesgos documentados en investigación clínica.
- METRICS (Stanford): metrics.stanford.eduCentro global de investigación sobre integridad metodológica en ciencia biomédica.
- EQUATOR Network: equator-network.orgRed global de guías de reporte para todos los tipos de estudio en salud.
- Curso en línea: "Causal Diagrams" de Miguel Hernán (edX/YouTube).Serie magistral y gratuita para aprender a dibujar e interpretar DAGs.
- Canal de YouTube: StatQuest with Josh Starmer.Explicaciones visuales y divertidas sobre conceptos estadísticos complejos.
📚 Referencias Clave del Módulo
- Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J. et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018.
- Obermeyer, Z., Powers, B., Vogeli, C. & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453.
- Boutron, I., Dutton, S., Ravaud, P. & Altman, D. G. (2010). Reporting and interpretation of randomized controlled trials with statistically nonsignificant results for primary outcomes. JAMA, 303(20), 2058–2064.
- Mansournia, M. A., Nazemipour, M. & Etminan, M. (2024). Recommendations for accurate reporting in medical research. The Lancet, 403, 2103–2110.
- Willems, S., Vandebroek, M. & Hellinckx, P. (2023). Illusion of knowledge in statistics among clinicians. Cognitive Research: Principles and Implications, 8, 35.
- Gigerenzer, G. & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684–704.
- Sterne, J. A. C., White, I. R., Carlin, J. B. et al. (2009). Multiple imputation for missing data in epidemiological and clinical research: potential and pitfalls. BMJ, 338, b2393.
- Guo, M., Chen, J. & Li, Y. (2023). Normal workflow and key strategies for data cleaning toward real-world data: viewpoint. Interactive Journal of Medical Research, 12, e44310.
La integridad es la columna vertebral de la confianza que los pacientes, los profesionales al servicio en areas de la salud y la sociedad depositan en la ciencia de la salud. Cada decisión ética que tomas como investigador protege esa confianza.