Tau: Investigación Clínica y Epidemiológica

Elaborado por:

Dr. Joshuan J. Barboza
Doctor en Investigación Clínica y Traslacional. 
Investigador Distinguido RENACYT
Miembro Cochrane – USIL afiliado a INS
SCOPUS ID: 57204457871
ORCID: https://orcid.org/0000-0002-2896-1407

---

Introducción

La pseudociencia representa un desafío epistemológico y social de creciente relevancia en el contexto contemporáneo, en particular en áreas sensibles como la salud, la educación y la toma de decisiones públicas. A pesar de los avances metodológicos en la investigación científica y del acceso sin precedentes a la información, una proporción significativa de la población continúa adhiriéndose a creencias pseudocientíficas. Este fenómeno no puede explicarse únicamente por la falta de conocimiento, sino que responde a una interacción compleja entre factores cognitivos, emocionales, comunicacionales y socioculturales.

El presente informe tiene como objetivo analizar, desde una perspectiva crítica y basada en evidencia, las características estructurales de la pseudociencia y los mecanismos que explican su persistencia y aceptación, estableciendo, además, su relevancia en el marco de la medicina basada en evidencia y de la investigación clínica.

---

Fundamentos epistemológicos: ciencia versus pseudociencia

La ciencia se fundamenta en principios metodológicos rigurosos, entre los cuales destacan la falsabilidad, la reproducibilidad, la sistematicidad y la revisión por pares. En contraste, la pseudociencia adopta una estructura discursiva que simula el lenguaje científico, pero no cumple con los criterios que permiten validar el conocimiento de manera objetiva.

Desde una perspectiva epistemológica, la diferencia central radica en la relación entre la hipótesis y la evidencia. Mientras que la ciencia formula hipótesis que deben someterse a prueba y potencialmente refutarse, la pseudociencia construye conclusiones previas y selecciona de manera sesgada la evidencia que las respalda. Este fenómeno, conocido como razonamiento inverso, constituye uno de los pilares de la pseudociencia.

---

Características estructurales de la pseudociencia

El análisis crítico de la literatura permite identificar un conjunto de características recurrentes que configuran el funcionamiento interno de la pseudociencia. Estas no operan de forma aislada, sino que se refuerzan mutuamente, generando sistemas de creencias altamente resistentes al cambio.

Una de las características más relevantes es la dependencia del sesgo de confirmación, mediante el cual se privilegia la información que valida creencias preexistentes y se descarta aquella que las contradice. Este mecanismo se ve reforzado por el uso de evidencia anecdótica, que sustituye los estándares de evidencia jerárquica propios de la investigación científica por testimonios individuales carentes de control metodológico.

Adicionalmente, la pseudociencia se caracteriza por la ausencia de falsificabilidad. Las afirmaciones suelen formularse de manera ambigua o lo suficientemente flexible como para evitar su refutación, lo que las sitúa fuera del dominio del conocimiento científico. A esto se suma el uso estratégico de lenguaje técnico o pseudotécnico, que confiere una apariencia de legitimidad sin sustento empírico real.

Otro rasgo distintivo es la resistencia sistemática a la revisión crítica. Las pseudociencias tienden a rechazar la evaluación por pares y a desacreditar a la comunidad científica, con frecuencia mediante narrativas conspirativas. Este aislamiento epistemológico impide corregir errores y limita el progreso del conocimiento.

Asimismo, se observa una notable ausencia de acumulación progresiva de evidencia. A diferencia de la ciencia, donde los hallazgos se integran y refinan con el tiempo, la pseudociencia permanece estática o recicla afirmaciones sin mejorar su calidad metodológica.

Finalmente, las pseudociencias suelen desarrollar comunidades cerradas que refuerzan sus creencias internas y excluyen perspectivas críticas, consolidando así estructuras de pensamiento grupal que dificultan la disidencia.

---

Determinantes cognitivos de la creencia en pseudociencia

La aceptación de la pseudociencia no es un fenómeno aleatorio, sino que responde a mecanismos cognitivos bien documentados. El ser humano posee una tendencia natural a simplificar la realidad mediante heurísticas, lo que facilita la adopción de explicaciones intuitivas pero erróneas.

El sesgo de confirmación, la ilusión de causalidad y la búsqueda de patrones son procesos cognitivos que predisponen a aceptar afirmaciones pseudocientíficas. Estos mecanismos se vinculan con sistemas de pensamiento rápido y automático, que priorizan la eficiencia cognitiva sobre la precisión.

Por otro lado, la pseudociencia suele explotar necesidades emocionales profundas, como el deseo de control ante la incertidumbre o la búsqueda de explicaciones simples de fenómenos complejos. En contextos de enfermedad, por ejemplo, las narrativas pseudocientíficas pueden ofrecer soluciones aparentemente accesibles y comprensibles, lo que aumenta su atractivo.

Un aspecto particularmente relevante es que la susceptibilidad a la pseudociencia no se limita a individuos con bajo nivel educativo. Incluso personas con formación académica avanzada pueden ser vulnerables, especialmente cuando las creencias están vinculadas a identidad personal, valores o experiencias previas.

---

Factores socioculturales y comunicacionales

Más allá de los determinantes individuales, la pseudociencia está profundamente influida por factores socioculturales. La desconfianza hacia las instituciones científicas, el elitismo percibido de la academia y la creciente polarización social contribuyen a la adopción de narrativas alternativas.

En este contexto, los medios de comunicación y las redes sociales desempeñan un papel central en la difusión de información pseudocientífica. La priorización de contenidos emocionalmente impactantes por encima de los basados en evidencia favorece la viralización de mensajes simplificados y, en muchos casos, erróneos.

Asimismo, la comunicación científica tradicional, a menudo percibida como compleja o inaccesible, puede generar una brecha entre la producción de conocimiento y su comprensión por parte del público en general. Esta brecha es aprovechada por discursos pseudocientíficos que ofrecen explicaciones más intuitivas y atractivas en términos narrativos.

---

Implicaciones para la investigación clínica y la práctica médica

Desde la perspectiva de la medicina basada en la evidencia, la pseudociencia constituye una amenaza significativa. La adopción de intervenciones sin respaldo empírico puede causar daño directo a los pacientes, retrasar tratamientos eficaces y comprometer la calidad de la atención sanitaria.

Además, la pseudociencia distorsiona la percepción pública de la evidencia científica, dificulta la implementación de políticas de salud basadas en datos y reduce la confianza en la investigación clínica.

En este contexto, resulta fundamental fortalecer la alfabetización científica, promover el pensamiento crítico y mejorar las estrategias de comunicación de la evidencia. La formación en evaluación crítica de la literatura, así como la comprensión de los sesgos cognitivos, son herramientas clave para contrarrestar la influencia de la pseudociencia.

---

Conclusión

La pseudociencia persiste no por la ausencia de evidencia científica, sino por su capacidad de adaptarse a las limitaciones cognitivas humanas, responder a necesidades emocionales y aprovechar contextos socioculturales específicos. Su estructura narrativa, simple y convincente, contrasta con la complejidad inherente al conocimiento científico, lo que genera una asimetría que favorece su difusión.

En consecuencia, el abordaje de este fenómeno requiere una estrategia multidimensional que integre la producción de evidencia de alta calidad con una comunicación efectiva, accesible y adaptada al contexto social. Solo mediante la combinación de rigor metodológico y comprensión de los determinantes humanos del conocimiento será posible reducir la brecha entre la ciencia y la sociedad.

[Búsqueda en Pubmed]

https://pubmed.ncbi.nlm.nih.gov/?term=pseudoscience&filter=datesearch.y_5

---

REFERENCIAS

Michael MT. Freud, bullshit, and pseudoscience. Stud Hist Philos Sci. 2024;108:64-72. doi:10.1016/j.shpsa.2024.09.003

Varela V, Sala-Blanch X, Luchsinger M. Science, pseudoscience, and religion. Reg Anesth Pain Med. 2025;50(10):844. Published 2025 Oct 6. doi:10.1136/rapm-2024-105847

Rodríguez-Ferreiro J, Barberia I. Believers in pseudoscience present lower evidential criteria. Sci Rep. 2021;11(1):24352. Published 2021 Dec 21. doi:10.1038/s41598-021-03816-5

The Fad for Pseudoscience: Pertinent Queries and Musings. JAMA. 2021;326(10):981. doi:10.1001/jama.2020.18122

Elaborado por:

Dr. Joshuan J. Barboza
Doctor en Investigación Clínica y Traslacional. 
Investigador Distinguido RENACYT
Miembro Cochrane – USIL afiliado a INS
SCOPUS ID: 57204457871
ORCID: https://orcid.org/0000-0002-2896-1407

---

Resumen

La introducción de The Book of Why de Judea Pearl constituye un punto de inflexión en la comprensión de la inferencia científica, al cuestionar la primacía del análisis basado exclusivamente en datos y proponer la necesidad de integrar modelos causales explícitos en la investigación. Este informe desarrolla un análisis conceptual y metodológico orientado a establecer un nexo entre los principios de la inferencia causal y la práctica de las revisiones sistemáticas en investigación clínica. Se argumenta que la síntesis de evidencia, tal como se realiza actualmente, presenta limitaciones estructurales al operar predominantemente en un marco asociativo, lo que compromete la validez de las inferencias clínicas. A través de una reinterpretación de conceptos como confusión, heterogeneidad, estimando e intervención, se propone una evolución hacia revisiones sistemáticas fundamentadas en modelos causales, capaces de responder adecuadamente a las preguntas que motivan la práctica médica.

---

Introducción

El desarrollo de la medicina basada en evidencia ha consolidado a las revisiones sistemáticas y metaanálisis como el nivel más alto en la jerarquía de evidencia. Sin embargo, esta jerarquía se ha construido sobre un supuesto implícito que rara vez se cuestiona: que la agregación de datos provenientes de múltiples estudios permite aproximarse de manera progresiva a la verdad científica. La introducción de The Book of Why desafía frontalmente esta premisa al afirmar que los datos, por sí mismos, carecen de la capacidad de responder preguntas causales . Esta afirmación obliga a replantear los fundamentos epistemológicos de la síntesis de evidencia, especialmente en un contexto donde las decisiones clínicas dependen no de asociaciones, sino de efectos causales.

La distinción que Pearl establece entre lo que se observa y lo que se interviene constituye el eje central de esta transformación. Mientras que la estadística clásica se ocupa de describir relaciones entre variables a partir de datos observados, la inferencia causal busca responder qué ocurriría si modificáramos deliberadamente una variable en el sistema. Esta diferencia, aparentemente sutil, tiene implicaciones profundas en la forma en que se diseñan, interpretan y sintetizan los estudios clínicos.

---

La limitación estructural de las revisiones sistemáticas: el predominio del paradigma asociativo

Las revisiones sistemáticas tradicionales operan fundamentalmente bajo un paradigma asociativo. En términos formales, la mayoría de los metaanálisis estiman probabilidades condicionales del tipo $P(Y\mid X)$, donde se evalúa la frecuencia de un desenlace dado un determinado factor o intervención. Sin embargo, las preguntas que motivan la investigación clínica rara vez son de naturaleza puramente asociativa. Cuando un clínico se pregunta si un tratamiento reduce la mortalidad o si una exposición incrementa el riesgo de enfermedad, está formulando una pregunta causal, que en el lenguaje de Pearl corresponde a $P(Y\mid do(X))$.

Esta diferencia implica que una revisión sistemática puede ser metodológicamente rigurosa desde el punto de vista estadístico y, aun así, no responder la pregunta que pretende abordar. Por ejemplo, en un metaanálisis que evalúa la efectividad de un fármaco, la inclusión de estudios observacionales sin un control adecuado de factores de confusión puede generar estimaciones que reflejan patrones de asociación influenciados por la selección de pacientes, la severidad de la enfermedad o las prácticas clínicas locales, en lugar del efecto real del fármaco. En este contexto, el resultado sintetizado no representa el efecto de la intervención, sino una mezcla de múltiples procesos causales no identificados.

---

El modelo causal como fundamento ausente en la síntesis de evidencia

Uno de los aportes más relevantes del enfoque de Pearl es la introducción del modelo causal como estructura necesaria para interpretar los datos. En la práctica de las revisiones sistemáticas, los modelos causales suelen estar presentes de manera implícita, pero rara vez se explicitan o se utilizan como herramienta analítica. Esto genera una desconexión entre el conocimiento clínico previo y el análisis estadístico realizado.

Consideremos un metaanálisis sobre el uso de corticosteroides en pacientes con COVID-19. En este escenario, la severidad de la enfermedad influye tanto en la probabilidad de recibir el tratamiento como en el riesgo de mortalidad. Esta variable actúa como un confusor clásico. Si los estudios incluidos no controlan adecuadamente la severidad, o si el metaanálisis combina estimaciones ajustadas y no ajustadas sin distinguirlas, el resultado agregado reflejará una asociación sesgada. La ausencia de un modelo causal explícito impide identificar este problema y limita la capacidad del investigador para interpretar correctamente los resultados.

El uso de diagramas causales (DAGs) permitiría representar de manera transparente estas relaciones, facilitando la identificación de variables que deben ser controladas y evitando errores comunes como el ajuste por mediadores o la introducción de sesgos de colisión. Sin embargo, esta práctica aún no está integrada de manera sistemática en la metodología de las revisiones.

---

Confusión y heterogeneidad: reinterpretación desde la inferencia causal

En el contexto de las revisiones sistemáticas, la confusión se aborda habitualmente como un problema estadístico que puede resolverse mediante ajustes multivariados o modelos de efectos aleatorios. No obstante, desde la perspectiva de la inferencia causal, la confusión es una propiedad estructural del sistema, derivada de la existencia de variables que influyen simultáneamente en la exposición y el desenlace.

Esta reinterpretación tiene implicaciones importantes en el análisis de la heterogeneidad. Tradicionalmente, la heterogeneidad entre estudios se cuantifica mediante estadísticas como el I², interpretándose como una medida de variabilidad no explicada. Sin embargo, desde un enfoque causal, la heterogeneidad puede reflejar diferencias en los mecanismos que generan los datos. Por ejemplo, en un metaanálisis sobre probióticos y función cognitiva, la inclusión de estudios con poblaciones heterogéneas en términos de inflamación basal puede dar lugar a estimaciones divergentes no porque exista variabilidad aleatoria, sino porque el efecto del probiótico depende causalmente del estado inflamatorio del paciente.

En este sentido, la heterogeneidad no debe ser vista únicamente como un inconveniente metodológico, sino como una señal de que los estudios incluidos pueden estar respondiendo a preguntas causales diferentes.

---

El problema del estimando y la incoherencia en la síntesis de efectos

La distinción entre pregunta causal y estimando es uno de los conceptos más sofisticados introducidos por Pearl. En las revisiones sistemáticas, esta distinción suele ignorarse, lo que conduce a una falta de claridad sobre qué efecto se está estimando realmente. Diferentes estudios pueden evaluar distintas versiones del efecto de una intervención, dependiendo de factores como la adherencia, el contexto clínico o la definición del desenlace.

Por ejemplo, en un metaanálisis que compara videolaringoscopia versus laringoscopia directa, algunos estudios pueden reportar efectos basados en análisis por intención de tratar, mientras que otros utilizan análisis por protocolo. Además, las condiciones en las que se realiza la intervención pueden variar significativamente entre unidades de cuidados intensivos, servicios de emergencia o quirófanos. La combinación de estos resultados asume implícitamente que todos los estudios están estimando el mismo efecto, lo cual rara vez es cierto.

Esta falta de coherencia en el estimando compromete la interpretabilidad de los resultados y limita su aplicabilidad clínica.

---

Intervención y evidencia: la relación entre ensayos clínicos y estudios observacionales

La inferencia causal establece una distinción clara entre estudios que permiten estimar efectos de intervención y aquellos que solo capturan asociaciones. Los ensayos clínicos aleatorizados se aproximan al estimador $P(Y\mid do(X))$ al eliminar la confusión mediante la aleatorización. En contraste, los estudios observacionales requieren supuestos adicionales para inferir causalidad.

En las revisiones sistemáticas, la combinación de evidencia proveniente de ambos tipos de estudios es una práctica frecuente, pero conceptualmente problemática. Al hacerlo, se asume que los efectos estimados son comparables, sin considerar que los estudios observacionales pueden estar sesgados por factores no medidos. Por ejemplo, en un metaanálisis sobre infusión continua versus intermitente de antibióticos β-lactámicos, los pacientes más graves pueden ser más propensos a recibir una modalidad específica de tratamiento, lo que introduce un sesgo de selección que no está presente en los ensayos aleatorizados.

La integración de estos estudios sin un marco causal explícito puede llevar a conclusiones erróneas sobre la efectividad de la intervención.

---

El razonamiento contrafactual en la interpretación clínica

Toda interpretación clínica de los resultados de una revisión sistemática implica, de manera implícita, un razonamiento contrafactual. Cuando se afirma que un tratamiento reduce la mortalidad, se está comparando un escenario observado con un escenario hipotético en el que el tratamiento no se hubiera administrado. Este tipo de inferencia requiere asumir que los grupos comparados son intercambiables y que no existen factores no medidos que influyan en el resultado.

Sin embargo, estas condiciones rara vez se verifican explícitamente en las revisiones sistemáticas. La ausencia de un marco formal para el razonamiento contrafactual limita la capacidad de los investigadores para evaluar la validez de sus conclusiones y para comunicar de manera transparente las incertidumbres asociadas.

---

Hacia un nuevo paradigma: revisiones sistemáticas basadas en inferencia causal

La integración de la inferencia causal en la metodología de las revisiones sistemáticas no representa simplemente una mejora técnica, sino una transformación conceptual. Implica pasar de un enfoque centrado en la agregación de datos a uno orientado por modelos que explican cómo se generan esos datos.

En este nuevo paradigma, las revisiones sistemáticas deberían incorporar de manera explícita modelos causales en la fase de diseño, definir claramente el estimando de interés, evaluar el riesgo de sesgo desde una perspectiva causal y realizar síntesis estratificadas que respeten las diferencias estructurales entre los estudios. Este enfoque permitiría producir conclusiones más robustas y clínicamente relevantes, alineadas con las preguntas que realmente importan en la práctica médica.

---

Conclusión

La introducción de The Book of Why pone en evidencia una limitación fundamental en la práctica actual de las revisiones sistemáticas: la ausencia de un marco causal explícito. Aunque la síntesis de evidencia ha avanzado considerablemente en términos de rigor metodológico, sigue operando en gran medida dentro de un paradigma asociativo que no permite responder adecuadamente a las preguntas causales que guían la toma de decisiones clínicas. La incorporación de modelos causales, la diferenciación entre observación e intervención y la formalización de estimandos constituyen pasos necesarios hacia una evolución de la evidencia basada en datos hacia una evidencia basada en comprensión causal. Este cambio redefine no solo la metodología, sino también la naturaleza misma del conocimiento científico en medicina.

REFERENCES

Pearl J. Interpretation and identification of causal mediation. Psychol Methods. 2014;19(4):459-481. doi:10.1037/a0036434

Pearl J. An introduction to causal inference. Int J Biostat. 2010;6(2):7. Published 2010 Feb 26. doi:10.2202/1557-4679.1203

Bareinboim E, Pearl J. Causal inference and the data-fusion problem. Proc Natl Acad Sci U S A. 2016;113(27):7345-7352. doi:10.1073/pnas.1510507113

Pearl J. Structural counterfactuals: a brief introduction. Cogn Sci. 2013;37(6):977-985. doi:10.1111/cogs.12065

Cada vez que tengo un bajón por el estrés que me genera el trabajo, salgo a tomar fotos (usualmente mis viernes o sábados, ya se hizo costumbre).

Sin embargo, al vivir en una ciudad tan poblada y con tanta infraestructura, cuesta encontrar espacios. Luego recuerdo, que todo lo que está frente a mis ojos es dependiente del tiempo, y ese tiempo se detiene en un instante, en cada foto.Lo que fotografío son sólo momentos, de alguna infinita posibilidad, y pensar en la incertidumbre del momento es lo que me emociona, de saber cuál será el momento que el tiempo me va a regalar.

La investigación me da satisfacción, pero la fotografía, felicidad.

Bonito fin de semana para todos,

Un abrazo.

Joshuan J. Barboza

Por Joshuan J. Barboza

---

El inicio de una nueva semana de trabajo científico rara vez comienza frente a una pantalla o dentro de un laboratorio. Muchas veces empieza caminando por la ciudad, observando la vida cotidiana que ocurre en silencio entre las calles. Estas tres fotografías, tomadas en Trujillo, representan precisamente ese momento previo al trabajo intelectual: el instante en que la realidad social recuerda al investigador por qué investiga.

La primera escena muestra a un trabajador que avanza por la vereda empujando su herramienta de trabajo. No hay dramatismo, solo rutina. Sin embargo, detrás de esa imagen cotidiana se encuentra la esencia de la investigación clínica: comprender cómo las condiciones de vida, el trabajo, el entorno urbano y las dinámicas sociales terminan influyendo en la salud de las poblaciones. Cada revisión sistemática, cada metaanálisis y cada estudio epidemiológico que realizamos intenta responder preguntas que nacen en contextos como este.

La segunda fotografía dirige la mirada hacia la arquitectura histórica del centro de Trujillo. Las fachadas coloniales, los balcones y los colores intensos conviven con anuncios contemporáneos y dinámicas económicas actuales. Esta superposición temporal es una metáfora precisa de la ciencia médica: el conocimiento se construye acumulativamente. La investigación clínica moderna se apoya sobre décadas de evidencia previa, igual que la ciudad se levanta sobre capas de historia. Cada nuevo estudio se integra a un sistema de conocimiento mayor, del mismo modo que cada edificio forma parte del tejido urbano.

La tercera imagen introduce una figura solitaria caminando junto a una avenida amplia. La presencia de un adulto mayor en el encuadre recuerda que, en última instancia, toda investigación en salud tiene un destinatario claro: las personas. No se trata únicamente de variables, modelos estadísticos o intervalos de confianza. Se trata de individuos con historias, trayectorias vitales y necesidades de salud concretas. La epidemiología, los modelos pronósticos y los ensayos clínicos adquieren significado únicamente cuando se traducen en beneficios reales para la población.

Estas imágenes, aunque aparentemente simples, sintetizan una idea fundamental: la investigación clínica no nace aislada de la realidad social. Surge de observar el mundo, de identificar problemas en la vida cotidiana y de transformar esas observaciones en preguntas científicas rigurosas.

Así comienza una nueva semana de investigación.
Entre calles, historias y personas.
Porque antes de los datos, siempre está la realidad que los inspira.

---

---

Contexto científico del estudio

La enfermedad de Parkinson (EP) es uno de los trastornos neurodegenerativos más prevalentes a nivel global, caracterizado por una progresiva degeneración dopaminérgica y una amplia heterogeneidad clínica. La identificación de biomarcadores confiables para diagnóstico temprano y seguimiento de la progresión constituye uno de los principales desafíos en neurología traslacional.

El estudio publicado en Scientific Reports explora este problema mediante metabolómica cuantitativa basada en LC-MS/MS, con el objetivo de identificar perfiles metabólicos capaces de distinguir entre individuos sanos y pacientes con diferentes estadios de enfermedad de Parkinson. 

A diferencia de muchos estudios previos que emplean metabolómica no dirigida, los autores optan por una estrategia de cuantificación absoluta de metabolitos, lo que potencialmente mejora la reproducibilidad y la comparabilidad entre estudios.

---

Aspectos metodológicos destacables

Enfoque metabolómico cuantitativo

El estudio emplea metabolómica dirigida cuantitativa, basada en cromatografía líquida acoplada a espectrometría de masas en tándem (LC-MS/MS).

Este enfoque permite medir concentraciones absolutas de metabolitos, lo cual representa una ventaja metodológica importante frente a aproximaciones no dirigidas que reportan abundancias relativas.

Según los autores, la cuantificación absoluta facilita:

• la comparabilidad entre cohortes
• la construcción de rangos de referencia clínicos
• el seguimiento longitudinal de pacientes
• el desarrollo de biomarcadores clínicamente aplicables. s41598-026-36756-z

---

Estratificación clínica de la enfermedad

Los participantes fueron clasificados en tres grupos:

• Controles sanos (CTL)
• Parkinson en estadio intermedio (PD-I)
• Parkinson progresivo (PD-II)

Esta estratificación permitió evaluar cambios metabólicos asociados a la progresión de la enfermedad, en lugar de limitarse a comparaciones dicotómicas entre casos y controles.

Los análisis estadísticos ajustaron por edad y sexo, variables potencialmente confusoras en estudios metabolómicos. 

---

Identificación de metabolitos diferenciales

El estudio identificó múltiples metabolitos con diferencias significativas entre los grupos, entre ellos:

• ácido butírico
• succinato
• sarcosina
• acilcarnitinas
• fosfatidilcolinas

Estos metabolitos están relacionados con rutas metabólicas clave, incluyendo:

• metabolismo energético mitocondrial
• metabolismo de aminoácidos
• metabolismo lipídico.

Las comparaciones estadísticas incluyeron ANOVA, ANCOVA y corrección de Holm-Bonferroni, lo que fortalece el control del error tipo I en análisis múltiples.

---

Selección de biomarcadores mediante algoritmos de aprendizaje automático

Uno de los elementos metodológicos más innovadores del estudio es el uso de algoritmos de selección de variables basados en inteligencia artificial.

Los autores utilizaron un algoritmo genético penalizado para identificar un panel compacto de metabolitos capaces de discriminar entre los grupos clínicos.

El algoritmo seleccionó un panel de ocho metabolitos, entre ellos:

• glutamina
• dimetilarginina total
• ácido butírico
• ácido metilmalónico
• ácido indolacético
• PC aa C40:2
• acilcarnitina C4
• acilcarnitina C12:1. 

La penalización del modelo evitó la sobreinclusión de variables y permitió obtener paneles biomarcadores más parsimoniosos, lo cual es relevante para su futura aplicabilidad clínica.

---

Evaluación del desempeño diagnóstico

El modelo fue evaluado mediante validación cruzada estratificada en 10 pliegues, una estrategia estándar para evitar sobreajuste en modelos predictivos.

Además, los autores emplearon:

• curvas ROC
• análisis de AUC
• análisis de clasificación “one-vs-rest”

para evaluar la capacidad discriminativa entre controles y diferentes etapas de la enfermedad.

---

Principales hallazgos

Los resultados sugieren que los perfiles metabolómicos pueden:

1. distinguir individuos con enfermedad de Parkinson de controles sanos,
2. diferenciar etapas clínicas de la enfermedad,
3. identificar alteraciones metabólicas asociadas con progresión neurodegenerativa.

Los autores destacan que el uso de metabolómica cuantitativa puede contribuir a:

• mejorar la precisión diagnóstica,
• facilitar el monitoreo de progresión,
• apoyar el desarrollo de medicina personalizada en neurología. 

---

Limitaciones metodológicas

Los propios autores reconocen varias limitaciones relevantes.

En primer lugar, el estudio debe interpretarse como exploratorio y generador de hipótesis, dado que los hallazgos requieren validación en cohortes independientes.

Además, la reproducibilidad de los biomarcadores metabolómicos depende de:

• tamaño muestral
• estandarización preanalítica
• heterogeneidad clínica de los pacientes.

Por esta razón, los autores enfatizan la necesidad de validación externa en cohortes más grandes y bien caracterizadas clínicamente. 

---

Implicancias para la investigación clínica

El estudio representa un ejemplo relevante de integración entre metabolómica y aprendizaje automático para el descubrimiento de biomarcadores.

Sus hallazgos sugieren que los perfiles metabólicos podrían convertirse en herramientas útiles para:

• diagnóstico temprano de Parkinson
• clasificación de progresión clínica
• monitoreo terapéutico
• desarrollo de terapias dirigidas.

Asimismo, el enfoque de cuantificación absoluta facilita el desarrollo de paneles clínicamente implementables, un desafío persistente en la investigación metabolómica.

---

Estudios que pueden tomar este trabajo como referencia

Este estudio puede servir como base metodológica para diversos diseños de investigación:

• Estudios de validación de biomarcadores
  • Cohortes multicéntricas destinadas a confirmar la reproducibilidad del panel metabolómico identificado.

• Estudios longitudinales
  • Investigaciones que evalúen cambios metabolómicos a lo largo del curso de la enfermedad.
• Estudios de diagnóstico temprano
  • Trabajos orientados a detectar biomarcadores metabólicos en fases preclínicas o prodrómicas de Parkinson.
• Estudios multi-ómicas
  • Investigaciones que integren metabolómica con:
    • proteómica
    • transcriptómica
    • genómica.

• Ensayos clínicos con biomarcadores
  • Investigaciones que utilicen metabolitos como marcadores de respuesta terapéutica.

---

Conclusiones

El estudio demuestra el potencial de la metabolómica cuantitativa combinada con aprendizaje automático para identificar biomarcadores metabólicos asociados a la enfermedad de Parkinson y su progresión.

Aunque los hallazgos deben interpretarse como preliminares, el enfoque metodológico empleado representa un avance relevante hacia el desarrollo de herramientas diagnósticas metabólicas reproducibles y clínicamente aplicables.

La validación de estos biomarcadores en cohortes más amplias podría contribuir significativamente al diagnóstico temprano y a la implementación de estrategias de medicina personalizada en enfermedades neurodegenerativas.

Descargar el artículo en:

---

---

---

Contexto epidemiológico y relevancia del estudio

El homicidio constituye uno de los principales problemas de salud pública en América Latina. En Honduras, esta forma de violencia ha alcanzado históricamente niveles extremadamente elevados, posicionando al país entre los territorios con mayores tasas de homicidio a nivel mundial.

El estudio analiza la evolución epidemiológica de la violencia homicida en Honduras durante el periodo 2013–2023, con el objetivo de determinar si la reducción observada en los últimos años ha ocurrido de manera homogénea entre regiones y grupos poblacionales. 

La relevancia científica del trabajo radica en que aborda el fenómeno desde una perspectiva de epidemiología poblacional, utilizando técnicas de análisis de tendencias que permiten identificar cambios estructurales en la dinámica de la violencia.

---

Aspectos metodológicos destacables

Diseño del estudio

El estudio corresponde a un diseño longitudinal descriptivo retrospectivo, basado en registros nacionales de homicidios ocurridos en Honduras entre 2013 y 2023.

Los datos fueron obtenidos del Observatorio Nacional de la Violencia (ONV), que integra información proveniente de:

• Policía Nacional
• Dirección de Medicina Forense
• Registro Nacional de las Personas

Este sistema de vigilancia constituye una de las principales fuentes oficiales de información sobre violencia en el país. 

El uso de registros institucionales integrados representa una fortaleza metodológica, ya que reduce el subregistro y mejora la consistencia de los datos.

---

Tamaño poblacional y cobertura de datos

Durante el periodo analizado se registraron: 49,236 homicidios en Honduras, de los cuales aproximadamente 90% correspondieron a víctimas masculinas. 

El tamaño de la base de datos permite realizar análisis robustos a nivel nacional y territorial, constituyendo una muestra poblacional completa y no un muestreo.

---

Medición epidemiológica de la mortalidad

El estudio utilizó tasas de homicidio estandarizadas por edad por cada 100,000 habitantes, calculadas utilizando:

• proyecciones poblacionales del Instituto Nacional de Estadística de Honduras,
• la población estándar mundial para el proceso de estandarización. 

Este procedimiento permite mejorar la comparabilidad temporal y geográfica, controlando el efecto de cambios en la estructura etaria de la población.

---

Análisis estadístico de tendencias

Uno de los elementos metodológicos más relevantes es el uso del modelo de Joinpoint Regression, una técnica ampliamente utilizada en epidemiología para analizar tendencias temporales en tasas de mortalidad o incidencia.

Este modelo permite:

• detectar puntos de cambio en las tendencias,
• estimar el Annual Percent Change (APC) o cambio porcentual anual,
• identificar periodos de incremento, estabilidad o descenso en las tasas. 

El análisis se aplicó a tasas estratificadas por:

• sexo
• departamento
• mecanismo de homicidio

Esta estratificación permite identificar heterogeneidades territoriales y poblacionales, aspecto fundamental en estudios de violencia.

---

Principales resultados epidemiológicos

Reducción sustancial de la tasa de homicidios

El estudio documenta una disminución notable en la tasa de homicidio en Honduras durante la última década. La tasa estandarizada pasó de: 85.1 homicidios por 100,000 habitantes en 2013
a 34.9 por 100,000 habitantes en 2023. 

Esta reducción representa uno de los descensos más pronunciados observados recientemente en la región de las Américas.

---

Desigualdad territorial en la reducción de la violencia

A pesar de la tendencia general descendente, el análisis territorial revela que la reducción no fue homogénea.

Algunos departamentos presentaron tendencias decrecientes, entre ellos:

• Francisco Morazán
• Cortés
• Atlántida
• Yoro

Mientras que otros mostraron tendencias estacionarias, incluyendo:

• Olancho
• Choluteca
• Colón
• Islas de la Bahía
• La Paz
• El Paraíso

Además, el departamento de Intibucá mostró una tendencia creciente, lo que sugiere procesos locales diferenciados en la dinámica de la violencia. 6.-tendencias-temporales-de-la-…

---

Diferencias por sexo

• La violencia homicida presenta un marcado sesgo de género.
• Los hombres representaron aproximadamente 9 de cada 10 víctimas, lo cual coincide con el patrón observado en la mayoría de países latinoamericanos. 
• La tasa masculina alcanzó 160.4 homicidios por 100,000 habitantes en 2013, disminuyendo hasta 64.3 en 2023, aunque todavía en niveles elevados a escala internacional.

---

Mecanismos de homicidio

El análisis por mecanismo muestra que los principales métodos utilizados fueron:

1. Armas de fuego
2. Armas blancas
3. Estrangulación

Todos los mecanismos presentaron tendencias decrecientes, destacando la reducción en homicidios con armas de fuego, cuya tasa pasó de 71.4 a 25.0 por 100,000 habitantes, con un cambio porcentual anual aproximado de −9%. 

Esto sugiere que los cambios observados en la violencia podrían estar relacionados con dinámicas del acceso y uso de armas.

---

Implicancias para la salud pública y las políticas de seguridad

Los hallazgos tienen implicancias importantes para la formulación de políticas públicas.

En primer lugar, confirman que Honduras ha experimentado una reducción sostenida de la violencia homicida en la última década, lo que sugiere la posible efectividad de ciertas intervenciones en seguridad pública o cambios estructurales en la dinámica criminal.

Sin embargo, la persistencia de tasas todavía elevadas a nivel global indica que el problema continúa siendo prioritario. 6.-tendencias-temporales-de-la-…

Además, la heterogeneidad territorial identificada evidencia que las estrategias de prevención de la violencia deben adaptarse a las realidades locales, priorizando departamentos donde las tendencias permanecen estacionarias o crecientes.

---

Limitaciones del estudio

Aunque el estudio presenta fortalezas importantes, también existen limitaciones metodológicas.

En primer lugar, el análisis se basa en registros administrativos, los cuales pueden estar sujetos a subregistro o variabilidad en la clasificación de las causas de muerte.

En segundo lugar, el diseño descriptivo no permite establecer relaciones causales entre la reducción de homicidios y posibles intervenciones sociales, económicas o políticas.

Finalmente, el estudio no analiza variables estructurales relevantes como:

• desigualdad socioeconómica
• crimen organizado
• migración
• políticas de seguridad pública

---

Implicancias para futuras investigaciones

Este estudio puede servir como referencia para diferentes líneas de investigación en epidemiología social y criminología.

Entre los estudios que podrían desarrollarse a partir de estos hallazgos se encuentran:

• Estudios ecológicos multivariados
  para evaluar la asociación entre las tendencias de homicidio y factores socioeconómicos, urbanización, desigualdad o presencia del crimen organizado.
• Análisis espaciales de violencia
  utilizando modelos geoespaciales para identificar clusters territoriales de homicidio.
• Estudios de evaluación de políticas públicas
  para determinar el impacto de estrategias de seguridad implementadas durante el periodo analizado.
• Modelos predictivos de violencia
  basados en aprendizaje automático o análisis de series temporales.
• Revisiones sistemáticas regionales
  que comparen las tendencias de homicidio en Centroamérica y América Latina.

---

Conclusiones

El estudio demuestra que Honduras experimentó una reducción significativa de la tasa de homicidios entre 2013 y 2023, representando uno de los descensos más marcados en la región.

No obstante, la disminución de la violencia no ha sido homogénea en el territorio, persistiendo áreas con tendencias estacionarias o incluso crecientes.

Estos hallazgos subrayan la necesidad de intervenciones de seguridad pública focalizadas territorialmente, así como el desarrollo de investigaciones que profundicen en los determinantes estructurales de la violencia homicida en la región.

Descarga el artículo en:

Artículo revisado por Joshuan J. Barboza, Doctor en Investigación clínica.

---

---

Contexto clínico y relevancia del estudio

La eventración diafragmática es una condición infrecuente caracterizada por la elevación anormal del hemidiafragma sin defecto de continuidad estructural, que puede ser congénita o adquirida. En pacientes pediátricos, especialmente neonatos y lactantes, esta alteración puede generar insuficiencia respiratoria, infecciones pulmonares recurrentes y dificultad para el destete ventilatorio. En este contexto, la plicatura diafragmática constituye el tratamiento quirúrgico de elección cuando existe compromiso funcional significativo.

El estudio analiza la experiencia de un centro de tercer nivel con el uso de plicatura toracoscópica mínimamente invasiva, aportando evidencia clínica sobre una técnica quirúrgica simplificada basada en el uso de dos trocares toracoscópicos y suturas extracorpóreas. Este trabajo representa además la primera serie publicada en Ecuador sobre esta técnica, lo que añade valor a la literatura regional en cirugía pediátrica.

---

Diseño metodológico del estudio

El trabajo corresponde a una serie de casos retrospectiva que incluyó tres pacientes pediátricos intervenidos entre enero y diciembre de 2021 en un hospital especializado en cirugía infantil. La inclusión se realizó de manera consecutiva, incorporando a todos los pacientes diagnosticados con eventración diafragmática durante el periodo de estudio.

El diagnóstico se estableció mediante radiografía de tórax, identificando elevación persistente del hemidiafragma asociada a desplazamiento de estructuras abdominales hacia la cavidad torácica sin evidencia de hernia diafragmática. La indicación quirúrgica se fundamentó principalmente en la imposibilidad de destete ventilatorio y persistencia de hallazgos radiológicos durante más de 72 horas.

Desde el punto de vista metodológico, el estudio presenta elementos positivos relevantes:

• Aplicación de criterios diagnósticos claros y reproducibles.
• Descripción detallada de la técnica quirúrgica.
• Procedimientos realizados por cirujanos pediátricos con experiencia en cirugía toracoscópica.
• Seguimiento clínico y radiológico estructurado hasta 12 meses.

Estos aspectos favorecen la transparencia metodológica y la reproducibilidad del procedimiento, características importantes en estudios quirúrgicos exploratorios.

---

Innovación técnica y reproducibilidad quirúrgica

Uno de los aportes más relevantes del estudio es la simplificación técnica del procedimiento toracoscópico. La técnica descrita consiste en:

• Inserción de dos trocares torácicos de 3 mm
• Creación de pliegues diafragmáticos mediante aguja espinal de 18G
• Fijación de los pliegues con nudos extracorpóreos utilizando suturas de polipropileno o poliéster
• Neumotórax controlado entre 2 y 4 mmHg

Además, el procedimiento se realizó sin colocación de drenaje torácico, lo cual sugiere una reducción potencial de la invasividad postoperatoria.

La simplificación del abordaje puede tener implicancias importantes en cirugía pediátrica, particularmente en centros con recursos limitados o con menor experiencia en técnicas toracoscópicas complejas.

---

Resultados clínicos y seguridad del procedimiento

Los tres pacientes incluidos en el estudio presentaron características clínicas comparables: edad mediana de un mes y peso mediano de 2.5 kg. Dos casos correspondieron a eventración adquirida posterior a cirugía cardíaca y uno a eventración congénita.

Los resultados reportados fueron favorables:

• Extubación en las primeras 24 horas
• Inicio de alimentación oral a las 24 horas
• Ausencia de complicaciones intraoperatorias o postoperatorias
• Ausencia de recurrencias durante un seguimiento de 6 a 12 meses

El tiempo operatorio medio fue de aproximadamente 60 minutos, comparable con otras series publicadas de plicatura toracoscópica pediátrica. 

Estos hallazgos refuerzan la hipótesis de que la plicatura toracoscópica puede ofrecer resultados clínicos equivalentes o superiores a los abordajes abiertos, con menor agresión quirúrgica y recuperación más rápida.

---

Comparación con la literatura internacional

El estudio incluye una comparación con otras series publicadas de plicatura diafragmática en población pediátrica. Estas series reportan tiempos quirúrgicos que varían entre 60 y 140 minutos, con tasas de complicaciones entre 0% y 26%dependiendo de la técnica utilizada.

En este contexto, los resultados del presente estudio se encuentran dentro del rango reportado en la literatura internacional, destacando especialmente la ausencia de complicaciones y recurrencias durante el seguimiento. 

La técnica descrita con dos trocares podría representar una alternativa menos invasiva frente a otras técnicas toracoscópicas que utilizan tres trocares o combinaciones de suturas intra y extracorpóreas.

---

Limitaciones metodológicas

A pesar de sus aportes, el estudio presenta limitaciones importantes que deben considerarse al interpretar sus resultados.

En primer lugar, el tamaño muestral es extremadamente reducido, lo cual impide realizar análisis estadísticos o inferencias clínicas robustas. En segundo lugar, el diseño retrospectivo introduce potenciales sesgos de selección e información. Finalmente, la ausencia de un grupo comparador limita la capacidad para establecer diferencias entre técnicas quirúrgicas.

Estas limitaciones son frecuentes en estudios exploratorios sobre patologías poco prevalentes y deben interpretarse dentro de ese contexto.

---

Implicancias para la investigación futura

Este estudio tiene un valor importante como generador de hipótesis clínicas y técnicas quirúrgicas. A partir de sus hallazgos, diferentes tipos de estudios podrían tomarlo como referencia para nuevas investigaciones:

• Estudios de cohorte multicéntricos
  Podrían evaluar la seguridad y eficacia de la plicatura toracoscópica simplificada en poblaciones pediátricas más amplias.
• Estudios comparativos entre técnicas quirúrgicas
  Comparando plicatura toracoscópica con toracotomía abierta o con variantes técnicas de tres trocares.
• Estudios prospectivos de resultados funcionales
  Evaluando desenlaces a largo plazo como función pulmonar, crecimiento pulmonar y calidad de vida.
• Revisiones sistemáticas y meta-análisis en cirugía pediátrica
  Este estudio puede incorporarse como evidencia descriptiva en revisiones sobre plicatura toracoscópica en eventración diafragmática.
• Estudios sobre optimización técnica en cirugía mínimamente invasiva pediátrica
  Particularmente en relación con el número de trocares, técnicas de sutura y manejo postoperatorio.

---

Conclusiones

La serie de casos analizada aporta evidencia preliminar sobre la factibilidad y seguridad de la plicatura toracoscópica con dos trocares en pacientes pediátricos con eventración diafragmática. Los resultados clínicos sugieren que esta técnica puede permitir recuperación respiratoria temprana, inicio precoz de alimentación y ausencia de complicaciones en el corto plazo.

Si bien el tamaño muestral limita la generalización de los resultados, el estudio representa una contribución relevante al describir una técnica quirúrgica simplificada, potencialmente reproducible y aplicable en diferentes contextos clínicos.

En términos científicos, este trabajo debe interpretarse principalmente como evidencia exploratoria que genera hipótesis para estudios prospectivos y comparativos más amplios, particularmente en el ámbito de la cirugía torácica pediátrica mínimamente invasiva.

---

Descarga el manuscrito

Análisis realizado por Joshuan J. Barboza. Doctor en investigación Clínica

---

ESPECIALÍZATE EN REVISIONES SISTEMÁTICAS EN: https://investigaciontau.com/cursos-online/

---

Elaborado por: Dr. Joshuan J. Barboza
Doctor en Investigación Clínica y Traslacional. 
Investigador Distinguido RENACYT

Miembro Cochrane – USIL afiliado a INS
SCOPUS ID: 57204457871
ORCID: https://orcid.org/0000-0002-2896-1407

---

La búsqueda sistemática no es el primer paso en una revisión sistemática. Para ello, debemos recordar que toda revisión sistemática inicia con el planteamiento de una pregunta de investigación que sea correctamente planteada.

Tabla 1. Tipos de preguntas para plantear una revisión sistemática

Tipo de pregunta	Acrónimo	Componentes	Ámbito de aplicación
Cuantitativa clínica (intervención)	PICO	P: Paciente / Población / Problema	Ensayos controlados aleatorizados y no aleatorizados
		I: Intervención
		C: Comparación
		O: Outcome (resultado)
Pronóstico	PFO	P: Población	Estudios de cohortes, estudios de modelos pronósticos
		F: Factores pronósticos
		O: Outcome
Diagnóstico	PTGD	P: Paciente / Población	Estudios de precisión diagnóstica
		T: Prueba diagnóstica
		G: Test de referencia (gold standard)
Etiológico / riesgo	PECO	P: Población	Estudios de cohorte, casos y controles
		E: Exposición
		C: Comparador
		O: Outcome
Factores asociados	PVO	P: Población	Estudios analíticos transversales o de asociación
		V: Variable o factor asociado
		O: Outcome

La información de la tabla 1 nos permite entender de que existen diferentes ESTRUCTURAS para plantear una pregunta dirigida. Recordar siempre que cada pregunta de investigación es específica para cada diseño, y esto tiene una implicancia importante en la revisión sistemática que quiero proponer.

Por ejemplo, en el estudio anterior planteamos una revisión sistemática que sintetizó los ensayos controlados aleatorizados que evaluaron la eficacia de la Liraglutida comparado con placebo en adultos obesos no diabéticos. Para plantear este estudio, tuvimos que usar la estructura PICO.

Sin embargo, para este otro estudio que hicimos, el planteamiento de la pregunta está dirigido a la síntesis de estudios observaciones (de cohorte y caso control), por lo que la pregunta tendrá la estructura PEO (o PECO).

Existen otros escenarios para plantear preguntas en áreas sociales por ejemplo:

Tipo de pregunta	Acrónimo	Componentes	Ámbito de aplicación	Ejemplo de pregunta
Educación (intervención pedagógica)	PITE	P: Población (estudiantes/docentes) I: Intervención educativa T: Comparador (otro método, ausencia) E: Efecto educativo (aprendizaje, motivación, rendimiento)	Ensayos educativos, estudios comparativos de métodos de enseñanza	¿En estudiantes universitarios de medicina (P), el uso de simuladores clínicos (I) en comparación con clases magistrales tradicionales (T) mejora el rendimiento académico en evaluaciones prácticas (E)?
Factores asociados en educación	PVE	P: Población V: Variable educativa (factor asociado: horas de estudio, estrategias, uso de IA, motivación) E: Efecto (rendimiento, abandono, satisfacción)	Estudios transversales, correlacionales	¿Existe asociación entre el tiempo de estudio autónomo (V) y el rendimiento académico (E) en estudiantes de posgrado en enfermería (P)?
Humanidades (percepción o impacto)	PICC	P: Población I: Intervención cultural/educativa C: Contexto sociocultural C: Consecuencia/impacto	Estudios cualitativos, análisis de impacto cultural	¿Cuál es el impacto (C) del uso de literatura clásica (I) en el desarrollo crítico de estudiantes de secundaria (P) en contextos rurales del Perú (C)?
Ciencias sociales (etiológico / riesgo)	PECO-S	P: Población E: Exposición social (redes, medios, violencia, pobreza) C: Comparador O: Outcome social	Estudios de cohorte, casos y controles, observacionales	¿La exposición a redes sociales más de 3 horas diarias (E) se asocia con niveles más altos de ansiedad (O) en adolescentes urbanos (P), en comparación con quienes las usan menos de 1 hora (C)?
Psicología (pronóstico)	PFO-P	P: Población F: Factores pronósticos psicológicos (estrés, depresión, autoestima) O: Outcome (rendimiento académico, riesgo suicida, adaptación social)	Estudios longitudinales, cohortes, modelos de predicción	¿Los niveles elevados de ansiedad al inicio del semestre (F) predicen (O) el bajo rendimiento académico al finalizar el año (O) en estudiantes de psicología (P)?
Investigación cualitativa (experiencia / opinión)	PTO	P: Población T: Tema o fenómeno de interés O: Opinión, experiencia o percepción	Estudios cualitativos, fenomenológicos, teoría fundamentada	¿Cuál es la percepción (O) de docentes universitarios (P) sobre el uso de inteligencia artificial (T) en el proceso de enseñanza?

---

¿Cómo se plantea la pregunta a partir de la estructura?

P	Adults patients with type 2 diabetes mellitus
I	Insulin glargine/lixisenatide
C	Lixisenatide only
O	glycated hemoglobin A1C, fasting plasma glucose, postprandial glucose, weight, and achievement of A1C <7.0%
What is the efficacy of Insulin glargine/lixisenatide versus lixisenatide only in patients with type 2 diabetes mellitus?

A partir de la estructura elegida, nosotros planteamos las variables o palabras clave que corresponder a cada parte (población, intervención, control, desenlace).

Con ello, el segundo paso sería NORMALIZAR cada variable, es decir, ubicar su variable controlada o palabra clave normalizada. Para ello, lo podemos buscar en DECS (https://decs.bvsalud.org/es/).

Por ejemplo, para «Adults patients with type 2 diabetes mellitus», no podemos ubicarla tal cual:

Entonces ¿qué hacer?.

Para poder ubicar la palabra, tenemos que simplificarla (usando la lógica clínica o de términos de la especialidad). Por ejemplo, usar «Type 2 diabetes mellitus», que sintetiza toda la información de la variable:

De esta manera podemos tener todas las palabras clave que necesitamos. Solo tenemos que copiarlas y pegarlas en el formato.

Antes, entender que cuando haces la búsqueda de la palabra clave:

1. No necesariamente la vas a encontrar enseguida. Tienes que ubicarla en caso de que existan más palabras.
2. En caso de no encontrar la palabra específica, podemos utilizar la variable en inglés. Eso no aplica para todas las variables, sino de preferencia en algunos fármacos.

Bien, ahora que ya sabemos identificar las palabras clave o controladas, ahora debemos completar todas las palabras para el resto de variables:

PICO VARIABLE	KEYWORD
Adults patients with type 2 diabetes mellitus	Type 2 diabetes mellitus
Insulin glargine/lixisenatide	Insulin glargine/lixisenatide or Insulin glargine plus lixisenatide
Lixisenatide only	Lixisenatide
glycated hemoglobin A1C, fasting plasma glucose, postprandial glucose, weight, and achievement of A1C <7.0%	Glycated hemoglobin A1C, fasting plasma glucose, postprandial glucose, weight, and achievement of A1C <7.0%

Una vez identificadas las palabras controladas para cada una de las variables, ahora debemos copiar los términos «sinónimos» de cada palabra:

No olvidar de que debemos copiar todas las palabras, y en inglés.

KEYWORD	TESAURUS (MESH) AND FREE-CONCEPT WORD
Type 2 diabetes mellitus	(«Adult-Onset Diabetes Mellitus» OR «Diabetes Mellitus, Adult Onset» OR «Diabetes Mellitus, Adult-Onset» OR «Diabetes Mellitus, Ketosis Resistant» OR «Diabetes Mellitus, Ketosis-Resistant» OR «Diabetes Mellitus, Maturity Onset» OR «Diabetes Mellitus, Maturity-Onset» OR «Diabetes Mellitus, Non Insulin Dependent» OR «Diabetes Mellitus, Non-Insulin-Dependent» OR «Diabetes Mellitus, Noninsulin Dependent» OR «Diabetes Mellitus, Noninsulin-Dependent» OR «Diabetes Mellitus, Slow Onset» OR «Diabetes Mellitus, Slow-Onset» OR «Diabetes Mellitus, Stable» OR «Diabetes Mellitus, Type II» OR «Diabetes, Maturity-Onset» OR «Diabetes, Type 2» OR «Ketosis-Resistant Diabetes Mellitus» OR «Maturity Onset Diabetes» OR «Maturity Onset Diabetes Mellitus» OR «Maturity-Onset Diabetes» OR «Maturity-Onset Diabetes Mellitus» OR «MODY» OR «NIDDM» OR «Non-Insulin-Dependent Diabetes Mellitus» OR «Noninsulin Dependent Diabetes Mellitus» OR «Noninsulin-Dependent Diabetes Mellitus» OR «Slow-Onset Diabetes Mellitus» OR «Stable Diabetes Mellitus» OR «Type 2 Diabetes» OR «Type 2 Diabetes Mellitus”)
Insulin glargine/lixisenatide or Insulin glargine plus lixisenatide	(Insulin Glargine OR “Insulin glargine/lixisenatide” OR “Insulin glargine plus lixisenatide”)
Lixisenatide	(Lixisenatide OR Lyxumia OR Adlyxin)
glycated hemoglobin A1C, fasting plasma glucose, postprandial glucose, weight, and achievement of A1C <7.0%	¿?

Hasta este punto, es menester agregar de que la página DECS permite ubicar las palabras en español para después ubicar el resto de las palabras sinónimas en inglés. Pero también existe la web MESH (https://www.ncbi.nlm.nih.gov/mesh/).

Si ya dominas directamente los términos en inglés, puedes usar los MESH y así poder obtener las palabras sinónimas (Entry terms) directamente.

---

El penúltimo paso es UNIR las palabras sinónimas de cada variable a través de los operadores boleanos.

En el contexto de las revisiones sistemáticas, los operadores booleanos constituyen herramientas fundamentales para estructurar estrategias de búsqueda reproducibles, exhaustivas y transparentes en bases de datos bibliográficas como PubMed, Embase, Scopus o Web of Science. Estos operadores permiten combinar términos de búsqueda de manera lógica para ampliar, restringir o excluir resultados, optimizando la recuperación de literatura relevante.

El operador OR permite agrupar términos sinónimos o conceptualmente relacionados, ampliando la sensibilidad de la búsqueda. Este operador es esencial en revisiones sistemáticas porque los mismos conceptos pueden describirse con diferentes terminologías en la literatura científica. Por ejemplo:
(obesity OR overweight OR adiposity) recuperará registros que contengan cualquiera de esos términos. En la práctica metodológica, los términos unidos por OR suelen colocarse entre paréntesis para conformar bloques conceptuales que representan un mismo componente de la pregunta de investigación.

El operador AND se utiliza para intersectar términos de búsqueda, es decir, recuperar únicamente los registros que contienen simultáneamente todos los términos especificados. En una revisión sistemática, este operador suele emplearse para combinar los principales componentes de la pregunta de investigación, generalmente derivados de estructuras conceptuales como PICO (Population, Intervention, Comparison, Outcome). Por ejemplo, una búsqueda estructurada como: obesity AND bariatric surgery recuperará únicamente artículos que incluyan ambos conceptos, reduciendo el número de resultados y aumentando su especificidad.

El operador NOT se emplea para excluir términos específicos que pueden generar resultados irrelevantes. Por ejemplo:
diabetes NOT gestational eliminará estudios relacionados con diabetes gestacional. Sin embargo, su uso en revisiones sistemáticas debe ser prudente, ya que puede excluir inadvertidamente estudios pertinentes si los términos eliminados aparecen incidentalmente en los registros.

Pubmed	#1= («Adult-Onset Diabetes Mellitus» OR «Diabetes Mellitus, Adult Onset» OR «Diabetes Mellitus, Adult-Onset» OR «Diabetes Mellitus, Ketosis Resistant» OR «Diabetes Mellitus, Ketosis-Resistant» OR «Diabetes Mellitus, Maturity Onset» OR «Diabetes Mellitus, Maturity-Onset» OR «Diabetes Mellitus, Non Insulin Dependent» OR «Diabetes Mellitus, Non-Insulin-Dependent» OR «Diabetes Mellitus, Noninsulin Dependent» OR «Diabetes Mellitus, Noninsulin-Dependent» OR «Diabetes Mellitus, Slow Onset» OR «Diabetes Mellitus, Slow-Onset» OR «Diabetes Mellitus, Stable» OR «Diabetes Mellitus, Type II» OR «Diabetes, Maturity-Onset» OR «Diabetes, Type 2» OR «Ketosis-Resistant Diabetes Mellitus» OR «Maturity Onset Diabetes» OR «Maturity Onset Diabetes Mellitus» OR «Maturity-Onset Diabetes» OR «Maturity-Onset Diabetes Mellitus» OR «MODY» OR «NIDDM» OR «Non-Insulin-Dependent Diabetes Mellitus» OR «Noninsulin Dependent Diabetes Mellitus» OR «Noninsulin-Dependent Diabetes Mellitus» OR «Slow-Onset Diabetes Mellitus» OR «Stable Diabetes Mellitus» OR «Type 2 Diabetes» OR «Type 2 Diabetes Mellitus»)
	#2= (Insulin Glargine OR “Insulin glargine/lixisenatide” OR “Insulin glargine plus lixisenatide”)
	#3= (Lixisenatide OR Lyxumia OR Adlyxin)
	#4= #1 AND #2 AND #3

En esta tabla y en la anterior, se ha usado el OR para separar las palabras. Pero además, debes entender algunas especificaciones:

1. Debes separar cada palabra clave sinónima con OR.
2. Cada palabra debe estar encerrada entre comillas (» «) si es que la palabra es compuesta, por ejemplo: «Adult-Onset Diabetes Mellitus». Si la palabra es única o simple, no necesita colocarle comillas.
3. Finalmente, cada grupo de sinónimos debe estar encerrados entre paréntesis.

Usamos como principal base de búsqueda a Pubmed, porque es a partir de esta base que vamos a generar el resto de estrategias para las diferentes bases, como Scopus, Web of Science y Embase.

Algunas especificaciones previas son:

1. Usar la misma estrategia en Pubmed y Web of Science
2. Para Scopus, actualmente es mejor siempre anteponer TITLE-ABS-KEY
3. Para Embase, la estrategia se elabora desde la misma plataforma web (https://www.embase.com/)

Engine	Strategy
Pubmed	#1=(«Adult-Onset Diabetes Mellitus» OR «Diabetes Mellitus, Adult Onset» OR «Diabetes Mellitus, Adult-Onset» OR «Diabetes Mellitus, Ketosis Resistant» OR «Diabetes Mellitus, Ketosis-Resistant» OR «Diabetes Mellitus, Maturity Onset» OR «Diabetes Mellitus, Maturity-Onset» OR «Diabetes Mellitus, Non Insulin Dependent» OR «Diabetes Mellitus, Non-Insulin-Dependent» OR «Diabetes Mellitus, Noninsulin Dependent» OR «Diabetes Mellitus, Noninsulin-Dependent» OR «Diabetes Mellitus, Slow Onset» OR «Diabetes Mellitus, Slow-Onset» OR «Diabetes Mellitus, Stable» OR «Diabetes Mellitus, Type II» OR «Diabetes, Maturity-Onset» OR «Diabetes, Type 2» OR «Ketosis-Resistant Diabetes Mellitus» OR «Maturity Onset Diabetes» OR «Maturity Onset Diabetes Mellitus» OR «Maturity-Onset Diabetes» OR «Maturity-Onset Diabetes Mellitus» OR «MODY» OR «NIDDM» OR «Non-Insulin-Dependent Diabetes Mellitus» OR «Noninsulin Dependent Diabetes Mellitus» OR «Noninsulin-Dependent Diabetes Mellitus» OR «Slow-Onset Diabetes Mellitus» OR «Stable Diabetes Mellitus» OR «Type 2 Diabetes» OR «Type 2 Diabetes Mellitus»)
	#2= (Insulin Glargine OR “Insulin glargine/lixisenatide” OR “Insulin glargine plus lixisenatide”)
	#3= (Lixisenatide OR Lyxumia OR Adlyxin)
	#4= #1 AND #2 AND #3
Scopus	#1= TITLE-ABS-KEY («Adult-Onset Diabetes Mellitus» OR «Diabetes Mellitus, Adult Onset» OR «Diabetes Mellitus, Adult-Onset» OR «Diabetes Mellitus, Ketosis Resistant» OR «Diabetes Mellitus, Ketosis-Resistant» OR «Diabetes Mellitus, Maturity Onset» OR «Diabetes Mellitus, Maturity-Onset» OR «Diabetes Mellitus, Non Insulin Dependent» OR «Diabetes Mellitus, Non-Insulin-Dependent» OR «Diabetes Mellitus, Noninsulin Dependent» OR «Diabetes Mellitus, Noninsulin-Dependent» OR «Diabetes Mellitus, Slow Onset» OR «Diabetes Mellitus, Slow-Onset» OR «Diabetes Mellitus, Stable» OR «Diabetes Mellitus, Type II» OR «Diabetes, Maturity-Onset» OR «Diabetes, Type 2» OR «Ketosis-Resistant Diabetes Mellitus» OR «Maturity Onset Diabetes» OR «Maturity Onset Diabetes Mellitus» OR «Maturity-Onset Diabetes» OR «Maturity-Onset Diabetes Mellitus» OR «MODY» OR «NIDDM» OR «Non-Insulin-Dependent Diabetes Mellitus» OR «Noninsulin Dependent Diabetes Mellitus» OR «Noninsulin-Dependent Diabetes Mellitus» OR «Slow-Onset Diabetes Mellitus» OR «Stable Diabetes Mellitus» OR «Type 2 Diabetes» OR «Type 2 Diabetes Mellitus»)
	#2= TITLE-ABS-KEY (Insulin Glargine OR “Insulin glargine/lixisenatide” OR “Insulin glargine plus lixisenatide”)
	#3= TITLE-ABS-KEY(Lixisenatide OR Lyxumia OR Adlyxin)
Web of Science	#1= («Adult-Onset Diabetes Mellitus» OR «Diabetes Mellitus, Adult Onset» OR «Diabetes Mellitus, Adult-Onset» OR «Diabetes Mellitus, Ketosis Resistant» OR «Diabetes Mellitus, Ketosis-Resistant» OR «Diabetes Mellitus, Maturity Onset» OR «Diabetes Mellitus, Maturity-Onset» OR «Diabetes Mellitus, Non Insulin Dependent» OR «Diabetes Mellitus, Non-Insulin-Dependent» OR «Diabetes Mellitus, Noninsulin Dependent» OR «Diabetes Mellitus, Noninsulin-Dependent» OR «Diabetes Mellitus, Slow Onset» OR «Diabetes Mellitus, Slow-Onset» OR «Diabetes Mellitus, Stable» OR «Diabetes Mellitus, Type II» OR «Diabetes, Maturity-Onset» OR «Diabetes, Type 2» OR «Ketosis-Resistant Diabetes Mellitus» OR «Maturity Onset Diabetes» OR «Maturity Onset Diabetes Mellitus» OR «Maturity-Onset Diabetes» OR «Maturity-Onset Diabetes Mellitus» OR «MODY» OR «NIDDM» OR «Non-Insulin-Dependent Diabetes Mellitus» OR «Noninsulin Dependent Diabetes Mellitus» OR «Noninsulin-Dependent Diabetes Mellitus» OR «Slow-Onset Diabetes Mellitus» OR «Stable Diabetes Mellitus» OR «Type 2 Diabetes» OR «Type 2 Diabetes Mellitus»)
	#2= (Insulin Glargine OR “Insulin glargine/lixisenatide” OR “Insulin glargine plus lixisenatide”)
	#3= (Lixisenatide OR Lyxumia OR Adlyxin)
Embase	#1= (‘type 2 diabetes mellitus’/exp OR ‘type 2 diabetes mellitus’ OR ‘T2DM’)
	#2= (‘insulin glargine’/exp OR ‘insulin glargine/lixisenatide’)
	#3= (‘lixisenatide’/exp OR ‘lixisenatide’)

La sugerencia principal antes de proceder a realizar la búsqueda en las bases de datos, es que:

1. Verifiques entre dos o más personas que la estrategia es correcta y se obtienen los mismos resultados preliminares.
2. Confirmar los accesos a las bases de datos. Se deben tener mínimo 4 bases de datos para hacer una revisión sistemática.
3. Si tienes dudas acerca de tu estrategia de búsqueda, consulta con un experto.
4. En la mejor medida posible, la estrategia de búsqueda debe ser realizada por un bibliotecólogo y validado por el resto del equipo.
5. No olvidar que cuando procedas a la búsqueda, debes registrar los resultados obtenidos en cada base de datos.

---

Análisis realizado por Joshuan J. Barboza

Doctor en Investigación Clínica y Traslacional. 
Investigador Distinguido RENACYT
Miembro Cochrane – USIL afiliado a INS
SCOPUS ID: 57204457871
ORCID: https://orcid.org/0000-0002-2896-1407

---

AMSTAR 2 (A MeaSurement Tool to Assess Systematic Reviews 2) es una herramienta de evaluación crítica diseñada para juzgar la calidad metodológica de revisiones sistemáticas de intervenciones sanitarias, tanto si incluyen ensayos clínicos aleatorizados (ECA) como estudios no aleatorizados de intervención (EINA). Su foco no es “qué tan bien está escrito” un artículo, sino qué tan confiables son sus métodos y, por extensión, qué tanto podemos confiar en sus conclusiones. El desarrollo de AMSTAR 2 responde a un hecho práctico: una proporción sustancial de revisiones modernas incorpora evidencia no aleatorizada, con estructuras de sesgo distintas a las de los ECA, lo que exige un estándar de valoración más exigente y específico. 

Un punto metodológico clave, a menudo mal aplicado, es que AMSTAR 2 no está diseñado para producir un puntaje global. La razón es conceptual: en revisiones sistemáticas, algunas fallas (p. ej., ausencia de protocolo o búsqueda deficiente) pueden comprometer críticamente la validez, mientras que otras, aunque relevantes, suelen tener un impacto menor. Por ello, AMSTAR 2 promueve una evaluación por dominios, especialmente los críticos, y una calificación global basada en las debilidades críticas. 

---

Recuerda que puedes conocer este tema y otros más, en nuestra especialización. Has click en:

---

En qué se diferencia AMSTAR 2 de reportes tipo PRISMA

PRISMA orienta el reporte (qué informar y cómo transparentarlo). AMSTAR 2 juzga la metodología (qué se hizo y si eso es suficiente para sostener inferencias válidas). Una revisión puede “parecer PRISMA” y aun así tener fallas metodológicas críticas (p. ej., búsqueda incompleta, riesgo de sesgo mal evaluado o meta-análisis inadecuado). Por eso, en práctica clínica y de política sanitaria, PRISMA y AMSTAR 2 son complementarios, no intercambiables.

---

Dominios críticos: el corazón de la interpretación AMSTAR 2

El artículo original de AMSTAR 2 propone siete dominios críticos cuya presencia de debilidades puede reducir sustancialmente la confianza en los hallazgos:

1. Protocolo registrado antes del inicio (ítem 2)
2. Adecuación de la búsqueda bibliográfica (ítem 4)
3. Justificación de exclusión de estudios (ítem 7)
4. Evaluación adecuada del riesgo de sesgo de estudios individuales (ítem 9)
5. Métodos meta-analíticos apropiados (ítem 11, si aplica)
6. Consideración del riesgo de sesgo al interpretar resultados (ítem 13)
7. Evaluación de sesgo de publicación (ítem 15, si aplica)

Estos dominios no sustituyen el juicio experto: el propio marco reconoce que, según el contexto, algunos ítems pueden ser más o menos críticos (por ejemplo, si no hay meta-análisis, el ítem 11 no aplica; o si el cuerpo de evidencia es altamente establecido, algunos aspectos de búsqueda/exclusiones podrían ponderarse distinto). 

---

Preparación antes de aplicar AMSTAR 2 (paso cero)

Antes de puntuar, conviene estandarizar el proceso. AMSTAR 2 recomienda que, si la evaluación sustentará decisiones relevantes, el equipo acuerde previamente: la pregunta clínica (PICO), el contexto (práctica/política), comparadores y ventanas de seguimiento relevantes, y fuentes probables de sesgo según el tipo de evidencia. 

Operativamente, para aplicar AMSTAR 2 con reproducibilidad:

Se identifican los anexos y suplementos (estrategias de búsqueda completas, lista de excluidos, tablas de riesgo de sesgo, etc.). Se define si la revisión incluye ECA, EINA o ambos (esto condiciona ítems 3, 9 y 11). Se decide si hubo meta-análisis; si no lo hubo, varios ítems se marcan “No aplica” (p. ej., 11, 12, 15). 

---

Cómo responder: lógica de “Sí / Parcial / No / No aplica”

En el simulador de la Universitat de València y en la guía en español, las respuestas se estructuran en cuatro categorías:

• Sí: cumplimiento completo según criterios explícitos del ítem.
• Parcial: cumplimiento incompleto (hay evidencia de intención/metodología, pero falta un componente esencial).
• No: ausencia del requisito o reporte incompatible con cumplimiento.
• No aplica: el ítem no corresponde (p. ej., no hay meta-análisis, por lo que no corresponde evaluar métodos meta-analíticos). 

A nivel práctico, “Parcial” es frecuente en ítems como protocolo (se menciona que hubo protocolo pero no es accesible, o no se describen desviaciones), o búsqueda (se buscó en ≥2 bases y se reportan términos, pero faltan registros/literatura gris/actualización reciente). 

---

AMSTAR 2 paso a paso: los 16 ítems, qué buscar, cómo decidir y por qué

Ítem 1. PICO claramente definido

• Qué busca: que la pregunta y criterios de inclusión incorporen población, intervención, comparador y desenlaces (y, cuando aplique, ventana temporal). 
• Cómo responder: “Sí” si el PICO es explícito en objetivos/criterios; “Parcial” si falta un componente (p. ej., comparador o desenlaces poco definidos); “No” si la pregunta es vaga.
• Fundamento: sin PICO, aumenta el sesgo de selección de evidencia y la heterogeneidad clínica no interpretada.

Ítem 2. Protocolo registrado o publicado previamente (DOMINIO CRÍTICO)

• Qué busca: que exista protocolo accesible (p. ej., PROSPERO) o publicación previa, y que se reporten desviaciones relevantes. 
• Cómo responder: “Sí” si el protocolo es localizable y previo; “Parcial” si se declara que hubo protocolo pero no es accesible o no se discuten desviaciones; “No” si no hay mención.
• Fundamento: reduce sesgo por decisiones post-hoc (cambio de desenlaces, subgrupos no planificados, selección analítica).

Ítem 3. Justificación del diseño de estudios incluidos

• Qué busca: explicación de por qué se incluyen ECA, EINA o ambos, coherente con la pregunta.
• Cómo responder: “Sí” si justifican el diseño; “No” si simplemente listan diseños sin racionalidad.
• Fundamento: la elección de diseños determina el perfil de sesgo y la interpretabilidad causal.

Ítem 4. Búsqueda bibliográfica exhaustiva (DOMINIO CRÍTICO)

• Qué busca: uso de ≥2 bases relevantes, estrategia reproducible (términos), restricciones justificadas, actualización reciente, y—idealmente—búsqueda de referencias, registros, literatura gris o consulta a expertos. 
• Cómo responder: “Sí” si el paquete de búsqueda es claramente exhaustivo; “Parcial” si cumple lo mínimo pero faltan componentes importantes; “No” si la búsqueda es limitada/no reproducible.
• Fundamento: una búsqueda deficiente produce sesgo de identificación y sobreestimación de efectos.

Ítem 5. Selección de estudios por duplicado

• Qué busca: cribado por dos revisores independientes (o verificación de muestra con acuerdo ≥80%). 
• Cómo responder: “Sí” si lo declaran explícito; “Parcial” si hay verificación parcial; “No” si un revisor sin verificación.
• Fundamento: disminuye errores y sesgo de selección en elegibilidad.

Ítem 6. Extracción de datos por duplicado

• Qué busca: extracción doble o verificación de una muestra con acuerdo ≥80%. 
• Cómo responder: análogo al ítem 5.
• Fundamento: reduce errores de transcripción e interpretación, especialmente en desenlaces complejos.

Ítem 7. Justificación de exclusión de estudios (DOMINIO CRÍTICO)

• Qué busca: lista de estudios excluidos y motivo de exclusión. 
• Cómo responder: “Sí” si reportan lista/motivos (idealmente en anexo); “Parcial” si hay mención incompleta; “No” si solo PRISMA sin lista de excluidos a texto completo.
• Fundamento: sin transparencia de exclusiones, aumenta el riesgo de exclusión selectiva (sesgo).

Ítem 8. Descripción adecuada de estudios incluidos

• Qué busca: caracterización suficiente (población, intervención, comparador, desenlaces, tiempos, contexto). 
• Cómo responder: “Sí” si hay tabla de características robusta; “Parcial” si falta información clave; “No” si la descripción es insuficiente.
• Fundamento: permite juzgar aplicabilidad, comparabilidad y fuentes de heterogeneidad.

Ítem 9. Evaluación adecuada del riesgo de sesgo (DOMINIO CRÍTICO)

• Qué busca: uso de herramientas apropiadas (ROB 2 para ECA; ROBINS-I u otras con capacidad discriminatoria para EINA, etc.). 
• Cómo responder: “Sí” si la herramienta y su aplicación cubren dominios relevantes; “Parcial” si se usa instrumento subóptimo o sin detalle suficiente; “No” si no evalúan RoB o lo sustituyen por “calidad” no válida.
• Fundamento: el riesgo de sesgo es determinante para inferencia causal; en EINA, confusión, sesgo de selección y medición son centrales, por lo que se requiere aproximación sistemática y competente. 

Ítem 10. Financiación de los estudios incluidos

• Qué busca: reportar fuentes de financiación y conflictos en estudios primarios (o declarar ausencia de información). 
• Cómo responder: “Sí” si lo documentan por estudio o de forma explícita; “No” si se omite.
• Fundamento: la financiación comercial se asocia con resultados favorables al patrocinador; documentarla permite análisis de sensibilidad/estratificación. 

Ítem 11. Métodos estadísticos adecuados para combinar estudios (DOMINIO CRÍTICO si hay meta-análisis)

• Qué busca: elección justificada de modelo (fijo/aleatorio), medidas de efecto, manejo de heterogeneidad y—si hay mezcla de diseños—evitar combinaciones inapropiadas o dominancia de EINA sobre ECA sin justificación. 
• Cómo responder: “Sí” si la síntesis es metodológicamente congruente; “Parcial” si hay decisiones discutibles sin suficiente justificación; “No” si combinan de manera inadecuada o sin declarar principios de síntesis; “No aplica” si no hubo meta-análisis.
• Fundamento: un meta-análisis puede producir estimaciones precisas pero sesgadas si combina evidencia heterogénea o sesgada, especialmente con EINA. 

Ítem 12. Impacto del riesgo de sesgo en los resultados (si hay síntesis cuantitativa)

• Qué busca: análisis de sensibilidad, exclusión de alto riesgo, o aproximaciones que exploren el efecto del RoB sobre estimaciones. 
• Cómo responder: “Sí” si analizan el impacto; “No” si solo reportan RoB sin integrarlo; “No aplica” si no hay síntesis cuantitativa.
• Fundamento: conocer RoB sin evaluar su impacto mantiene incertidumbre no cuantificada.

Ítem 13. Consideración del riesgo de sesgo al interpretar (DOMINIO CRÍTICO)

• Qué busca: que las conclusiones ponderen la calidad/RoB y eviten sobreinterpretación. 
• Cómo responder: “Sí” si el lenguaje de conclusiones se ajusta al RoB; “Parcial” si mencionan RoB pero concluyen con exceso de certeza; “No” si ignoran RoB en discusión.
• Fundamento: el sesgo no corregido tiende a inflar efectos; la interpretación debe reflejarlo.

Ítem 14. Interpretación de la heterogeneidad

• Qué busca: explicar y discutir heterogeneidad y, cuando procede, investigar fuentes (subgrupos/meta-regresión/razonamiento clínico). 
• Cómo responder: “Sí” si discuten coherentemente heterogeneidad y causas plausibles; “Parcial” si la mención es superficial; “No” si se omite.
• Fundamento: heterogeneidad no interpretada limita aplicabilidad y validez de síntesis.

Ítem 15. Sesgo de publicación / estudios pequeños (DOMINIO CRÍTICO si hay síntesis cuantitativa)

• Qué busca: evaluación con funnel plots/pruebas (cuando hay n suficiente) o discusión razonada del sesgo; se recuerda que se requieren ~10 estudios para asimetría interpretable. 
• Cómo responder: “Sí” si evalúan adecuadamente y discuten impacto; “Parcial” si intentan sin condiciones adecuadas o sin discutir impacto; “No” si se omite; “No aplica” si no corresponde.
• Fundamento: el sesgo de publicación tiende a sobrestimar beneficios y subestimar daños.

Ítem 16. Conflictos de interés y financiación de la revisión

• Qué busca: declaración de financiación de la revisión y COI de autores. 
• Cómo responder: “Sí” si la declaración es explícita y completa; “No” si falta.
• Fundamento: transparencia del proceso y potenciales influencias.

---

Interpretación global: cómo traducir ítems a “confianza” en la revisión

El esquema original de AMSTAR 2 recomienda no sumar puntos, sino derivar una calificación global según debilidades en dominios críticos. bmj.j4008.full En términos prácticos (y conservadores), la lógica clínica es:

• Alta confianza: sin debilidades críticas y, como máximo, una debilidad no crítica.
• Moderada: sin debilidades críticas, pero con >1 debilidad no crítica.
• Baja: al menos una debilidad crítica.
• Críticamente baja: múltiples debilidades críticas.

Esta lógica está alineada con la intención metodológica de AMSTAR 2: si un dominio crítico falla, la revisión puede producir conclusiones potencialmente inestables, incluso si el resto está correctamente ejecutado

---

Análisis de estudio:

Evaluación AMSTAR 2 – SMART-C Meta-Analysis (Circulation 2024)

Ítem AMSTAR 2	Respuesta	Fundamento basado en el artículo	Observación / Debilidad	Ideal metodológico
1. PICO claramente definido	✅ Sí	Poblaciones (DM2 alto riesgo ASCVD, IC, ERC), intervención (iSGLT2), comparador (placebo), desenlace (3P-MACE).	Adecuado	Definición explícita en introducción y métodos (cumple).
2. Protocolo registrado previamente (CRÍTICO)	❌ No claro	No se menciona registro PROSPERO ni protocolo publicado previamente.	Debilidad crítica potencial (riesgo de análisis post-hoc).	Registro prospectivo (PROSPERO) con plan analítico preespecificado y declaración de desviaciones.
3. Justificación del diseño de estudios incluidos	✅ Sí	Se incluyeron exclusivamente ECA fase 3, doble ciego, CV outcomes.	Justificación adecuada (validez interna alta).	Explicitar racional causal para restringir a CVOT fase 3 (implícito pero correcto).
4. Estrategia de búsqueda exhaustiva (CRÍTICO)	⚠️ Parcial	Se realizó búsqueda en PubMed 2012–2023.	No se reporta búsqueda en múltiples bases ni literatura gris.	≥2 bases (MEDLINE, Embase, Cochrane), estrategia reproducible completa y búsqueda de registros (ClinicalTrials.gov).
5. Selección de estudios por duplicado	❌ No reportado	No se describe proceso independiente de selección.	Riesgo de sesgo de selección.	Dos revisores independientes con consenso documentado.
6. Extracción de datos por duplicado	❌ No reportado	No se especifica extracción independiente.	Potencial error de extracción.	Extracción doble con verificación cruzada.
7. Lista de estudios excluidos (CRÍTICO)	❌ No	No se presenta lista de estudios excluidos con razones.	Falta transparencia en elegibilidad.	Tabla de exclusiones con motivo explícito.
8. Descripción adecuada de estudios incluidos	✅ Sí	Tabla detallada de características basales por ensayo.	Correcto	Incluir riesgo basal y duración detallada (cumple).
9. Evaluación del riesgo de sesgo (CRÍTICO)	❌ No explícito	No se presenta evaluación formal con herramienta (RoB 2).	Debilidad crítica importante.	Aplicar RoB 2 por dominio y reportarlo en tabla y figuras.
10. Reporte de financiación de estudios incluidos	❌ No detallado	Se mencionan ensayos CVOT, pero no se reporta financiación individual de cada ensayo.	Posible influencia de patrocinio industrial no evaluada.	Reportar sponsor y potencial conflicto de cada ensayo incluido.
11. Métodos meta-analíticos apropiados (CRÍTICO)	✅ Sí	Uso de modelos de efectos aleatorios, meta-regresión con Hartung–Knapp, I² reportado.	Metodología estadística robusta.	Justificación explícita del modelo primario (cumple).
12. Impacto del riesgo de sesgo en resultados	❌ No	No se realizó análisis de sensibilidad excluyendo estudios con mayor riesgo.	Falta integración de calidad en la síntesis.	Análisis estratificado por riesgo de sesgo.
13. Consideración del riesgo de sesgo en interpretación (CRÍTICO)	❌ Parcial	Se discuten limitaciones entre ensayos, pero no RoB formal.	Ausencia de juicio estructurado de calidad.	Discusión explícita basada en dominios RoB.
14. Explicación de heterogeneidad	✅ Sí	I²=0% para MACE; análisis por población clínica.	Correcto	Explorar fuentes clínicas/biológicas (cumple).
15. Evaluación de sesgo de publicación (CRÍTICO)	❌ No	No se reporta funnel plot ni evaluación formal.	Aunque CVOT grandes reducen riesgo, formalmente es debilidad crítica.	Funnel plot si ≥10 estudios y prueba de asimetría.
16. Conflictos de interés declarados	✅ Sí	Declaraciones extensas de COI reportadas.	Transparencia adecuada.	Cumple estándar ICMJE.

---

REFERENCIAS

Shea BJ, Reeves BC, Wells G, et al. AMSTAR 2: a critical appraisal tool for systematic reviews that include randomised or non-randomised studies of healthcare interventions, or both. BMJ. 2017;358:j4008. Published 2017 Sep 21. doi:10.1136/bmj.j4008

Lu C, Lu T, Ge L, Yang N, Yan P, Yang K. Use of AMSTAR-2 in the methodological assessment of systematic reviews: protocol for a methodological study. Ann Transl Med. 2020;8(10):652. doi:10.21037/atm-20-392a

Bojcic R, Todoric M, Puljak L. Most systematic reviews reporting adherence to AMSTAR 2 had critically low methodological quality: a cross-sectional meta-research study. J Clin Epidemiol. 2024;165:111210. doi:10.1016/j.jclinepi.2023.10.026

Bojcic R, Todoric M, Puljak L. Adopting AMSTAR 2 critical appraisal tool for systematic reviews: speed of the tool uptake and barriers for its adoption. BMC Med Res Methodol. 2022;22(1):104. Published 2022 Apr 10. doi:10.1186/s12874-022-01592-y

Perry R, Whitmarsh A, Leach V, Davies P. A comparison of two assessment tools used in overviews of systematic reviews: ROBIS versus AMSTAR-2. Syst Rev. 2021;10(1):273. Published 2021 Oct 25. doi:10.1186/s13643-021-01819-x

Pauletto P, Polmann H, Réus JC, et al. Critical appraisal of systematic reviews of intervention in dentistry published between 2019-2020 using the AMSTAR 2 tool. Evid Based Dent. Published online September 14, 2022. doi:10.1038/s41432-022-0802-5