Lectura crítica de artículos científicos: cómo saber si un estudio merece tu confianza

Leer un artículo científico no es lo mismo que creerle. Puedes entender sus cifras y repetir la conclusión de los autores sin haber comprobado si los métodos sostienen esa interpretación. La lectura crítica empieza ahí: cómo se obtuvo el resultado y qué significa para la persona o el servicio que tienes delante.

Conviene separar lo que el estudio encontró, lo que permite concluir y lo que harías con esa información. Son tareas relacionadas, pero resolver una no resuelve automáticamente las demás.

Un error frecuente: empezar por la conclusión

Un resultado llamativo no rescata un estudio con problemas metodológicos. Usa el resumen para orientarte y vuelve después a los métodos y las tablas: allí puedes comprobar si la conclusión deja fuera limitaciones que cambiarían tu lectura.

Define qué pregunta intenta responder

Antes de mirar el efecto, explica qué comparación intentaron hacer los autores. Para una intervención, PICO te ayuda a ordenar población, intervención, comparador y desenlace. No basta llenar las casillas: distingue un resultado importante para los pacientes de una medición que solo describe un cambio biológico.

• P — Población: a quién se quiere ayudar.
• I — Intervención: qué se ofrece y cómo.
• C — Comparador: frente a qué alternativa.
• O — Desenlace: qué cambio se quiere valorar.

Aprender PICO

Identifica correctamente el diseño

Un ensayo aleatorizado, una cohorte y un estudio de casos y controles no responden del mismo modo ni comparten todas sus vulnerabilidades. Los estudios diagnósticos y las revisiones sistemáticas requieren otras preguntas. Comprueba si el diseño elegido puede responder la pregunta y qué limitaciones introduce.

Examina la validez interna antes del resultado

La aleatorización reduce algunas fuentes de confusión; no protege de todo lo que ocurre después. Para un desenlace de un ensayo aleatorizado, RoB 2 examina estos procesos. Lee los métodos con el resultado que quieres evaluar en mente: unas pérdidas podrían importar poco para mortalidad y mucho para una escala que casi nadie completó.

Para estudios no aleatorizados de intervenciones puede corresponder ROBINS-I; no lo extiendas a cualquier estudio observacional. En revisiones sistemáticas, ROBIS orienta la evaluación del riesgo de sesgo de la revisión.

• El proceso de aleatorización incluye la secuencia, el ocultamiento y los desequilibrios que sugieran problemas.
• Las desviaciones de las intervenciones previstas se valoran según el efecto de interés.
• Los datos de desenlace faltantes importan por su cantidad y por las razones de su ausencia.
• La medición del desenlace puede verse afectada por expectativas o procedimientos diferentes.
• La selección del resultado reportado exige revisar qué mediciones y análisis se habían previsto.

Guía completa de RoB 2

Aprender ROBINS-I

Separa significación estadística de importancia clínica

En este ejemplo hipotético, ambos grupos se observan durante el mismo periodo. Pasar de un riesgo del 20 % al 15 % supone una reducción relativa del 25 % y cinco eventos menos por cada cien personas. Son los mismos datos, expresados desde perspectivas distintas.

El NNT de 20 corresponde a ese desenlace y a ese periodo de observación; no es una propiedad fija del tratamiento. Que el efecto alcance significación estadística tampoco indica, por sí solo, que valga la pena en tu contexto.

Control: 20 %
Intervención: 15 %

RAR = 0,20 − 0,15 = 0,05
NNT = 1 / 0,05 = 20

Cómo calcular e interpretar NNT y NNH

Nunca leas una medida sin horizonte temporal

Un NNT de 20 a 30 días no comunica lo mismo que uno de 20 a 5 años. Presenta siempre desenlace, comparador, población y periodo. Si alguno falta, la cifra todavía no está lista para apoyar una decisión o una discusión clínica.

Mira el intervalo de confianza

Un HR de 0,80 con IC 95 % de 0,78–0,82 tiene la misma estimación puntual que otro con IC de 0,51–1,24, pero no la misma precisión. El segundo permite interpretaciones clínicas muy diferentes. Un intervalo estrecho, por su parte, no corrige sesgos del diseño o del análisis.

Averigua qué desenlace impulsa el resultado

Los desenlaces compuestos pueden ser útiles, aunque sus componentes no siempre tienen la misma importancia. Si el efecto procede de visitas urgentes y no de mortalidad, no presentes el resultado global como una reducción de muertes. Examina qué ocurrió en cada componente y con qué incertidumbre.

Busca lo que el resumen no enfatiza

Lee también lo que recibió menos espacio: pérdidas, eventos adversos, financiación y análisis de subgrupos. Si tienes el protocolo, compáralo con la publicación. Cuando una conclusión destaca solo el hallazgo favorable, pregunta qué cambiaría al contar también el resto.

Aprender a detectar spin científico

No confundas riesgo de sesgo con GRADE

RoB 2 examina procesos que podrían distorsionar un resultado de un ensayo aleatorizado. GRADE valora la certeza del cuerpo de evidencia para un desenlace y considera, además del sesgo, inconsistencia, indirectividad, imprecisión y sesgo de publicación. Un juicio favorable en RoB 2 no equivale automáticamente a certeza alta.

Guía de GRADE

Pregunta si el resultado aplica a tu paciente

Compara población, gravedad, comorbilidades y riesgo basal con tu entorno. Después mira disponibilidad, organización del servicio y seguimiento. Un estudio puede ser válido y aun así responder solo una parte de tu pregunta; esa distancia debe quedar visible en la interpretación.

Pregunta qué daño acompaña al beneficio

Lee cómo se buscaron los eventos adversos y qué información permite estimar su frecuencia. Si no puedes calcular un NNH de manera adecuada, explica qué falta en lugar de sustituirlo por una cifra que parezca precisa.

Si falta información sobre daños, señala qué datos necesitarías antes de estimar su frecuencia.

Termina con una interpretación sustentada, no con un resumen

Cierra con una interpretación que puedas explicar sin mirar la conclusión de los autores. ¿Qué resultado se sostiene, qué importancia tiene y qué distancia queda con tu servicio? Puedes coincidir con el artículo; lo importante es que tus razones sean visibles.

• Validez: ¿cuánto confío en el resultado?
• Magnitud: ¿cuánto importa?
• Aplicabilidad: ¿hasta dónde puedo trasladarlo?

Método estructurado: siete preguntas

Antes de cerrar tu lectura, comprueba que puedes responder estas preguntas con apoyo en el artículo. Si alguna no tiene respuesta, esa ausencia también forma parte de lo que debes comunicar.

1. ¿Qué pregunta clínica intentó responder?
2. ¿El diseño era apropiado?
3. ¿Existe algún sesgo capaz de cambiar de forma sustancial el resultado?
4. ¿Cuál fue la magnitud absoluta y relativa?
5. ¿Qué tan precisa es la estimación?
6. ¿Beneficios y daños fueron evaluados de manera equilibrada?
7. ¿Es aplicable a mi paciente o contexto?

¿Puede una IA hacer lectura crítica por ti?

La IA puede ayudarte a ordenar el documento y las preguntas, pero una explicación convincente puede contener errores. Comprueba cifras, cálculos y juicios en la fuente original, especialmente cuando no se indique el pasaje que los respalda.

Una herramienta útil distingue datos extraídos, cálculos, juicios metodológicos e información no disponible. La revisión humana debe comprobar esas diferencias antes de usar el análisis en una discusión clínica.

Cuando uses un análisis asistido, deja claro qué comprobaste en el artículo y qué sigue sin poder evaluarse.