Joshuan J. Barboza, PhD

Doctor en Investigación Clínica y Traslacional

Investigador Distinguido RENACYT — Universidad Señor de Sipán

Cochrane USIL afiliado al INS

SCOPUS ID 57204457871  ·  ORCID 0000-0002-2896-1407

---

El meta-análisis es la herramienta cuantitativa que articula a una revisión sistemática con la toma de decisiones clínicas y sanitarias. Su objetivo no es generar un “número promedio” sino producir una estimación integrada del efecto de una intervención, exposición o prueba diagnóstica, acompañada de una caracterización honesta de su precisión y de la heterogeneidad entre estudios. Bien ejecutado, multiplica el poder estadístico de la evidencia disponible; mal ejecutado, oculta diferencias clínicamente relevantes detrás de un único valor pooled.

Este informe acompaña el módulo de meta-análisis del Programa de Especialización en Revisiones Sistemáticas y Meta-análisis. Está orientado a alumnos que ya conocen los principios básicos de inferencia estadística y desean profundizar en la lógica matemática, la decisión metodológica y el reporte transparente de los resultados. A lo largo del documento se intercalan fragmentos de código en R (paquetes meta y metafor) que permiten replicar cada paso del flujo metodológico.

La obra de referencia central es el Cochrane Handbook for Systematic Reviews of Interventions (versión 6.5, 2024), capítulo 10. Se complementa con el Handbook of Meta-Analysis (Schmid, Stijnen y White, 2020) y con la literatura metodológica reciente sobre estimadores de varianza entre estudios, intervalos de predicción y meta-análisis en red.

---

1. Fundamentos del meta-análisis

1.1 Definición operativa

Un meta-análisis es la síntesis estadística cuantitativa que combina los resultados de dos o más estudios independientes que abordan una misma pregunta para producir una estimación más precisa del tamaño del efecto, una caracterización formal de la heterogeneidad entre estudios y, cuando corresponde, una proyección del efecto esperado en contextos futuros mediante un intervalo de predicción.

Desde el punto de vista matemático, el meta-análisis es un promedio ponderado de los efectos individuales por el inverso de su varianza. La forma genérica del estimador combinado es:

θ̂ = Σ wᵢ · θ̂ᵢ / Σ wᵢ

donde θ̂ᵢ es la estimación del efecto en el estudio i y wᵢ es su peso. La elección de wᵢ define el modelo (efectos fijos o aleatorios) y el método (Mantel-Haenszel, varianza inversa, Peto, MD, SMD).

1.2 ¿Por qué ponderar por la varianza?

Los estudios con muestras grandes y eventos suficientes producen estimaciones con menor varianza y, por lo tanto, deben influir más en la estimación combinada. Ponderar por 1/σ² minimiza la varianza del estimador agrupado y es óptimo cuando los estudios estiman un mismo efecto verdadero (Cochrane Handbook 10.3).

1.3 Tres ganancias respecto al estudio individual

• Precisión: el intervalo de confianza del estimador combinado es, en igualdad de condiciones, más estrecho que el de cualquier estudio individual.
• Poder: la prueba de hipótesis sobre el efecto pooled tiene mayor potencia para detectar diferencias clínicamente relevantes.
• Exploración de heterogeneidad: el meta-análisis permite explorar por qué los efectos varían entre estudios mediante subgrupos y meta-regresión.

Ejemplo numérico introductorio

Supongamos tres ensayos sobre una intervención farmacológica con los siguientes riesgos relativos (RR) e intervalos de confianza al 95%:

Estudio	RR	IC 95%	Peso (efectos aleatorios)
Estudio 1	2.40	1.80 – 3.20	32%
Estudio 2	3.20	1.50 – 4.60	30%
Estudio 3	4.80	2.30 – 6.20	38%
Pooled (Random)	3.22	2.09 – 4.97	100%

La estimación combinada (RR = 3.22) está dentro del rango de los estudios individuales y, lo más importante, su intervalo de confianza es más estrecho. Si la heterogeneidad fuera baja, este sería el resumen final; si es alta, debe acompañarse de un intervalo de predicción y de análisis de subgrupos.

Implementación en R

# Paquetes recomendados

install.packages(c(«meta», «metafor», «dmetar»))

library(meta)

# Cargar datos

d <- data.frame(

  study = c(«E1″,»E2″,»E3»),

  TE    = log(c(2.40, 3.20, 4.80)),       # log-RR

  seTE  = c(0.143, 0.281, 0.250)          # SE de log-RR

)

# Meta-análisis genérico (varianza inversa) en escala log-RR

m <- metagen(

  TE        = TE,

  seTE      = seTE,

  studlab   = study,

  data      = d,

  sm        = «RR»,

  method.tau = «REML»,

  hakn      = TRUE,                        # ajuste HKSJ

  random    = TRUE,

  common    = FALSE

)

summary(m)

forest(m, prediction = TRUE)

---

2. ¿Cuándo es apropiado un meta-análisis?

El Cochrane Handbook (secciones 10.2.2 y 10.2.3) establece criterios claros para distinguir cuándo un meta-análisis aporta valor y cuándo es preferible una síntesis narrativa estructurada o un meta-análisis sin agregación cuantitativa (SWiM).

2.1 Cuándo SÍ es apropiado

• Pregunta clínica clara y homogénea: la población, intervención, comparador y desenlace (PICO) son comparables entre estudios.
• Suficientes estudios y datos confiables: idealmente al menos tres estudios con datos extraíbles y bajo riesgo de sesgo.
• Misma medida de efecto: RR, OR o RD para desenlaces binarios; MD o SMD para continuos.
• Agrega valor: aporta poder, precisión o permite explorar heterogeneidad mediante subgrupos.

2.2 Cuándo NO es apropiado

• Diversidad clínica o metodológica excesiva: combinar lo incomparable produce un promedio sin sentido clínico.
• Datos poco fiables o sesgados: sesgo de publicación severo, datos selectivos o reportes incompletos.
• Definiciones de outcome incompatibles: distintos constructos o instrumentos sin equivalencia.
• Síntesis narrativa más informativa: cuando combinar genera una estimación promedio que no representa ningún subgrupo de pacientes.

Regla práctica de Higgins: Pregúntese: ¿el clínico tomará una decisión distinta a partir del estimador combinado que a partir de los estudios individuales? Si la respuesta es no, probablemente la síntesis narrativa sea más útil que el meta-análisis.

2.3 Diversidad y heterogeneidad: distinción conceptual

• Diversidad clínica: diferencias en pacientes, intervenciones o desenlaces.
• Diversidad metodológica: diferencias en diseño, riesgo de sesgo o seguimiento.
• Heterogeneidad estadística: variabilidad entre los efectos estimados, cuantificada por τ² e I².

La diversidad clínica y metodológica son las causas; la heterogeneidad estadística es la consecuencia. La decisión de meta-analizar depende de la diversidad subyacente; la elección del modelo y de los métodos depende de la heterogeneidad estadística observada.

---

3. Flujo metodológico en siete pasos

La ejecución técnica de un meta-análisis sigue una secuencia ordenada cuyos pasos se deciden antes de mirar los resultados, para evitar sesgos de selección de método. La siguiente tabla resume los siete pasos del flujo recomendado.

Paso		Acción	Decisión clave	Salida
1		Extraer datos	Binarios o continuos	Tabla de eventos o de medias
2		Verificar supuestos	Homogeneidad clínica · número de estudios	Decisión: meta-analizar o no
3		Elegir modelo	Efectos fijos vs aleatorios	θ̂ con o sin τ²
4		Elegir método	M-H, IV, Peto, MD, SMD	Pesos definidos
5		Estimar varianza e IC	DL · PM · REML · HKSJ · PL	IC del efecto pooled
6		Análisis de sensibilidad	Métodos alternativos · exclusión de outliers	Robustez
7		Subgrupos / meta-regresión	≥ 10 estudios por covariable	Modificadores de efecto
	Principio de pre-especificaciónEl método y el modelo se eligen ANTES de mirar el resultado, en el protocolo de la revisión. Cuando hay heterogeneidad sustancial, los resultados deben reportarse con intervalo de predicción además del IC del efecto pooled.

---

4. Extracción de datos por tipo de desenlace

4.1 Desenlaces binarios (dicotómicos)

Para desenlaces binarios se requiere para cada estudio el número de eventos y el total en cada brazo. La estructura mínima es una tabla 2 × 2 por estudio.

Outcome	Eventos exp. (EE)	Total exp. (TE)	Eventos ctrl. (EC)	Total ctrl. (TC)
Mortalidad	914	4187	1117	4212

Medidas de efecto disponibles: razón de riesgos (RR), odds ratio (OR), diferencia de riesgos (RD) y, cuando se cuenta con tiempo al evento, hazard ratio (HR) en escala log.

4.2 Desenlaces continuos

Para desenlaces continuos se requiere para cada estudio el tamaño muestral, la media y la desviación estándar en cada grupo.

Outcome	Nₑ	Mₑ	SDₑ	Nc	Mc	SDc
Estancia hospitalaria (d)	71	7.5	13.0	71	6.2	6.0

Medidas de efecto: diferencia de medias (MD) cuando los estudios usan la misma escala, y diferencia de medias estandarizada (SMD) cuando difieren los instrumentos pero miden el mismo constructo. Las variantes habituales de SMD son Hedges’ g (con corrección por muestra pequeña), Cohen’s d y Glass’s Δ.

Cuando faltan SD: imputación y cálculo desde otros estadísticos

• Si solo se reporta el error estándar (SE): SD = SE × √N.
• Si se reporta IC 95% para la media: SD = √N × (límite superior − límite inferior) / (2 × 1.96).
• Si se reporta mediana e IQR: aplicar las fórmulas de Wan (2014) o Luo (2018) según se conozca el tamaño muestral.
• Si solo se reporta el rango: usar la aproximación de Hozo (2005), reconociendo su menor precisión.

Implementación en R

library(meta)

# Datos binarios — RR con M-H

binarios <- data.frame(

  study = c(«Smith2020″,»Lopez2021″,»Tan2022»),

  ee = c(45, 12, 87), te = c(220, 110, 410),

  ec = c(78, 25, 132), tc = c(218, 108, 405)

)

m_bin <- metabin(

  event.e = ee, n.e = te, event.c = ec, n.c = tc,

  studlab = study, data = binarios,

  sm = «RR», method = «MH»,

  random = TRUE, method.tau = «REML», hakn = TRUE

)

summary(m_bin)

# Datos continuos — SMD con Hedges’ g

continuos <- data.frame(

  study = c(«Smith2020″,»Lopez2021″,»Tan2022»),

  ne = c(60,55,80),  me = c(12.5,10.8,11.2),  sde = c(3.1,2.9,3.4),

  nc = c(58,57,82),  mc = c(15.2,14.1,13.6),  sdc = c(3.4,3.0,3.5)

)

m_cont <- metacont(

  n.e = ne, mean.e = me, sd.e = sde,

  n.c = nc, mean.c = mc, sd.c = sdc,

  studlab = study, data = continuos,

  sm = «SMD», method.smd = «Hedges»,

  random = TRUE, method.tau = «REML», hakn = TRUE

)

summary(m_cont)

---

5. Modelos del meta-análisis

La elección entre modelo de efectos fijos y modelo de efectos aleatorios es la decisión teórica más importante del meta-análisis. No es una decisión empírica (no se elige “según el I²”): debe argumentarse desde la pregunta clínica y desde la diversidad subyacente entre estudios.

5.1 Modelo de efectos fijos (common-effect)

El modelo de efectos fijos asume que existe un único efecto verdadero θ común a todos los estudios. La variabilidad observada entre los efectos estimados se atribuye exclusivamente al error de muestreo dentro de cada estudio.

θ̂ᵢ = θ + εᵢ,    εᵢ ~ N(0, σᵢ²)

Los pesos son el inverso de la varianza dentro del estudio:

wᵢ = 1 / σᵢ²

La estimación combinada y su varianza son:

θ̂ = Σ wᵢ θ̂ᵢ / Σ wᵢ        Var(θ̂) = 1 / Σ wᵢ

Aplicación: estudios fuertemente homogéneos en población, intervención, comparador y desenlace; muestras pequeñas; replicaciones del mismo protocolo. Su uso por defecto cuando hay heterogeneidad subyacente subestima los intervalos de confianza y sobreestima la precisión.

5.2 Modelo de efectos aleatorios (random-effects)

El modelo de efectos aleatorios reconoce que cada estudio estima un efecto verdadero θᵢ que varía alrededor de un efecto medio μ con una varianza entre estudios τ². Es el modelo apropiado cuando los estudios difieren en población, contexto o diseño.

θ̂ᵢ = μ + uᵢ + εᵢ,    uᵢ ~ N(0, τ²),  εᵢ ~ N(0, σᵢ²)

La varianza total de cada estimación es la suma de la varianza dentro y entre estudios:

Var(θ̂ᵢ) = σᵢ² + τ²

Y los pesos se modifican en consecuencia:

wᵢ* = 1 / (σᵢ² + τ²)

La estimación combinada se calcula análogamente, pero los IC son típicamente más amplios y más realistas cuando hay heterogeneidad.

5.3 Comparación de modelos

Característica		Efectos fijos (Common)	Efectos aleatorios (Random)
Asunción del efecto		Un único efecto verdadero θ	Distribución N(μ, τ²)
Heterogeneidad		Ignorada	Modelada como τ²
Pesos		1 / σᵢ² (intra-estudio)	1 / (σᵢ² + τ²)
Influencia de estudios pequeños		Menor	Relativamente mayor
Amplitud del IC		Más estrecho	Más amplio (más realista)
Cuándo usar		Estudios homogéneos · pocos	Estudios heterogéneos · típico
	Recomendación práctica de Cochrane: Cochrane recomienda el modelo de efectos aleatorios como opción primaria cuando se sospecha heterogeneidad clínica o metodológica, lo cual ocurre en la mayor parte de las revisiones de intervenciones complejas. El modelo de efectos fijos queda reservado para casos donde la homogeneidad es defendible a priori.

5.4 Errores conceptuales frecuentes

• Elegir el modelo según el resultado de la prueba Q o el valor de I². La elección se hace antes de mirar el resultado, según la diversidad clínica y metodológica.
• Reportar solo el modelo de efectos fijos cuando se sospecha heterogeneidad. El IC del modelo fijo será artificialmente estrecho.
• Asumir que “más estudios” justifican efectos aleatorios. La justificación es la diversidad subyacente, no el número de estudios (aunque éste sí condiciona la precisión de τ²).

6. Métodos para desenlaces dicotómicos

Una vez decidido el modelo, debe elegirse el método de combinación. Los tres métodos clásicos para desenlaces dicotómicos son Mantel-Haenszel (M-H), varianza inversa (IV) y Peto. Cada uno tiene un dominio óptimo de aplicación.

6.1 Mantel-Haenszel (M-H)

El método M-H combina tablas de contingencia 2×2 ponderando por una función de los marginales. Es el método por defecto para efectos fijos en desenlaces binarios y se mantiene estable con eventos raros y muestras pequeñas.

OR_MH = Σ (aᵢ · dᵢ / nᵢ) / Σ (bᵢ · cᵢ / nᵢ)

Medidas: OR, RR y RD. No requiere imputar log-OR cuando hay celdas en cero (aunque algunas implementaciones aplican corrección de continuidad para calcular el SE).

6.2 Inverse-Variance (IV)

El método de varianza inversa combina log-OR o log-RR ponderando por 1/SE². Es necesario para el modelo de efectos aleatorios con la mayoría de implementaciones (en metafor, por ejemplo, los estimadores de τ² operan sobre IV).

θ̂ = Σ (1/SEᵢ²) · θ̂ᵢ / Σ (1/SEᵢ²)

Medidas: OR, RR, RD y HR. Es sensible a la heterogeneidad: cuanto mayor τ², más cercanos los pesos entre estudios, lo que aumenta la influencia relativa de los estudios pequeños.

6.3 Peto OR

El método de Peto se basa en la diferencia entre eventos observados y esperados (O − E) en cada estudio. Es eficiente solo bajo tres condiciones simultáneas: (a) eventos muy raros (< 1%), (b) ramas balanceadas en tamaño, y (c) efecto pequeño. Fuera de ese dominio, sesga el estimador.

ln(OR_Peto) = Σ (Oᵢ − Eᵢ) / Σ Vᵢ

Solo aplica para OR; no se generaliza a RR ni a efectos aleatorios.

6.4 Cuadro maestro de métodos para binarios

Método	Concepto	Medidas	Uso recomendado	Cuidado clave
IV	Pondera por 1/SE²	OR · RR · RD · HR	Modelo aleatorio; estudios moderados a grandes	Sensible a τ² alto
M-H	Combina tablas 2×2	OR · RR · RD	Default fijos; eventos raros, muestras pequeñas	Pierde eficiencia con muestras muy desiguales
Peto	(O−E)/V	Solo OR	Eventos muy raros (< 1%) y ramas balanceadas	Sesga si efecto grande o desbalance

Implementación en R

library(meta)

# M-H para OR (default fijos)

m_mh <- metabin(event.e=ee, n.e=te, event.c=ec, n.c=tc,

                studlab=study, data=binarios,

                sm=»OR», method=»MH»,

                common=TRUE, random=TRUE, method.tau=»REML»)

# IV para log-RR

m_iv <- metabin(event.e=ee, n.e=te, event.c=ec, n.c=tc,

                studlab=study, data=binarios,

                sm=»RR», method=»Inverse»,

                common=FALSE, random=TRUE, method.tau=»REML», hakn=TRUE)

# Peto para eventos raros

m_peto <- metabin(event.e=ee, n.e=te, event.c=ec, n.c=tc,

                  studlab=study, data=binarios,

                  sm=»OR», method=»Peto»,

                  common=TRUE, random=FALSE)

forest(m_mh, prediction = TRUE)

---

7. Métodos para desenlaces continuos

7.1 Diferencia de medias (MD)

Cuando todos los estudios miden el desenlace en la misma escala (mmHg, kg, mg/dL, escala validada idéntica), el efecto se sintetiza en la unidad original mediante la diferencia de medias.

MD = M_e − M_c

La interpretación clínica es directa: la diferencia se expresa en la unidad de la variable. La varianza del MD por estudio es:

Var(MD) = SD_e² / n_e + SD_c² / n_c

7.2 Diferencia de medias estandarizada (SMD)

Cuando los estudios miden el mismo constructo con instrumentos distintos (por ejemplo, depresión por BDI-II vs PHQ-9, dolor por VAS vs NRS), no se pueden combinar las medias directamente. El SMD divide la diferencia por una desviación estándar pooled, expresando el efecto en unidades de SD.

d = (M_e − M_c) / SD_pooled

Variantes principales:

• Cohen’s d: usa la SD pooled simple. Sesga ligeramente al alza con muestras pequeñas.
• Hedges’ g: aplica una corrección de muestra pequeña (J ≈ 1 − 3/(4(n_e+n_c)−9)). Es la elección por defecto en Cochrane.
• Glass’s Δ: usa la SD del grupo control. Se recomienda cuando la intervención afecta la varianza.

Reglas de pulgar para magnitud (Cohen, 1988):

• 0.2 → efecto pequeño
• 0.5 → efecto moderado
• 0.8 → efecto grande

Sobre las reglas de CohenEstas reglas de pulgar son orientativas, no clínicas. Un SMD de 0.3 puede ser clínicamente trivial en cesación tabáquica y altamente relevante en mortalidad. Siempre acompañe la magnitud estandarizada con su traducción a la escala original cuando sea posible.

7.3 Cuadro comparativo MD vs SMD

Aspecto	MD	SMD
Escala entre estudios	Idéntica obligatoria	Mismo constructo, escalas distintas
Unidad	Original (clínica)	SD pooled (adimensional)
Interpretación clínica	Directa	Indirecta — requiere traducción
Variantes	MD simple	Cohen’s d · Hedges’ g · Glass’s Δ
Cuándo NO usar	Escalas distintas	Constructos distintos

NOTA: PAra variables contínuas, por defecto usamos el modelo de efectos aleatorios y método de varianza inversa

8. Heterogeneidad: medirla y comunicarla

La heterogeneidad estadística cuantifica cuánto varían los efectos verdaderos entre estudios. Se reporta con tres indicadores complementarios: el estadístico Q, el índice I² y la varianza entre estudios τ².

8.1 Estadístico Q de Cochran

Q es la suma ponderada de las desviaciones cuadradas de cada estudio respecto al efecto común:

Q = Σ wᵢ · (θ̂ᵢ − θ̂)²

Bajo H₀ de homogeneidad, Q sigue una χ² con k−1 grados de libertad. Su prueba tiene baja potencia con pocos estudios y alta potencia con muchos, por lo que el Cochrane Handbook recomienda usar α = 0.10 y, sobre todo, no decidir sobre la presencia de heterogeneidad solo por el valor p.

8.2 Índice I²

I² traduce a porcentaje la proporción de la variabilidad total atribuible a heterogeneidad real (no al azar):

I² = max(0, 100% × (Q − df) / Q)

Umbrales orientativos del Cochrane Handbook (sección 10.10.2):

Rango I²		Interpretación
0 – 40%		Puede no ser importante
30 – 60%		Heterogeneidad moderada
50 – 90%		Heterogeneidad sustancial
75 – 100%		Heterogeneidad considerable
	Limitaciones de I²I² depende de la precisión de los estudios (a igualdad de τ², estudios más precisos producen I² mayor). Por ello debe reportarse junto con τ² (magnitud absoluta) y, si la heterogeneidad es sustancial, con el intervalo de predicción.

8.3 Varianza entre estudios τ²

τ² mide en términos absolutos cuánto varían los efectos verdaderos entre estudios, en las unidades del efecto al cuadrado (por ejemplo, en log-RR² o en SMD²). Es el parámetro estructural del modelo de efectos aleatorios.

Var(θ̂ᵢ) = σᵢ² + τ²

τ² alimenta directamente el cálculo del intervalo de predicción y del peso ajustado de cada estudio. Su buena estimación es central y motiva la siguiente sección.

9. Estimadores de τ²

Existen varias formas de estimar τ². Cada una hace supuestos distintos y se comporta mejor en escenarios distintos. Cochrane y la literatura metodológica reciente (Veroniki et al., 2016) recomiendan reportar el estimador usado y, cuando sea posible, hacer un análisis de sensibilidad cambiándolo.

Estimador		Acrónimo	Cuándo usar	Ventaja	Desventaja
DerSimonian-Laird		DL	Heterogeneidad baja-moderada; ≥ 10 estudios	Simple, ampliamente difundido	Subestima τ² cuando es alto
Paule-Mandel		PM	Pocos estudios o heterogeneidad considerable	Menos sesgo en τ²; IC realistas	Iterativo; menos disponible
REML		REML	Estándar moderno (recomendado)	Insesgado; eficiente	Requiere convergencia
Hartung-Makambi		HM	Pequeñas muestras; no truncado	Estable con τ² pequeñas	Menos común en software
Sidik-Jonkman		SJ	Alternativa cuando DL falla	Robusto bajo heterogeneidad	Sensible al valor inicial
	Recomendación operativaREML es el estimador por defecto recomendado para revisiones contemporáneas. PM es preferible con pocos estudios o heterogeneidad alta. DL se mantiene útil por compatibilidad histórica, pero no debería ser la única opción reportada.

Implementación en R

library(metafor)

# Comparar estimadores de tau²

estimadores <- c(«DL»,»PM»,»REML»,»HM»,»SJ»)

sapply(estimadores, function(t){

  fit <- rma(yi = TE, sei = seTE, data = d, method = t)

  c(tau2 = fit$tau2, I2 = fit$I2,

    mu = fit$beta[1],

    ci_lb = fit$ci.lb, ci_ub = fit$ci.ub)

})

10. Intervalos de confianza y de predicción

10.1 Hartung-Knapp-Sidik-Jonkman (HKSJ)

El método HKSJ ajusta el intervalo de confianza del efecto pooled usando la distribución t en lugar de la normal, lo que refleja mejor la incertidumbre de τ² cuando hay pocos estudios. El Cochrane Handbook lo recomienda como ajuste preferido para el modelo de efectos aleatorios cuando se cuenta con al menos 5 estudios.

IC = μ̂ ± t_(k−2),α/2 · SE(μ̂)

HKSJ produce IC más amplios pero con cobertura nominal más cercana al 95% en la mayoría de escenarios simulados.

10.2 Profile Likelihood (PL)

Cuando los estudios son pocos (<5) o τ² es alto, los IC simétricos basados en la normal o en la t pueden subcubrir. El método de profile likelihood construye intervalos asimétricos a partir de la verosimilitud perfilada de τ². Es computacionalmente más costoso pero produce coberturas más realistas en escenarios extremos.

10.3 Intervalo de predicción (PI)

El intervalo de predicción es el rango esperado del efecto verdadero en un futuro estudio extraído de la misma distribución. No es un IC del estimador combinado: incorpora explícitamente τ² y SE(μ̂).

PI = μ̂ ± t_(k−2),α/2 · √(τ² + SE(μ̂)²)

Cochrane recomienda reportarlo siempre que haya heterogeneidad sustancial. Es la herramienta más honesta para comunicar la heterogeneidad: si el PI cruza el nulo aunque el IC del efecto pooled no lo cruce, la conclusión sobre nuevos contextos debe ser cauta.

Tres números, tres preguntasEl IC responde: ¿qué tan precisa es la estimación promedio? El PI responde: ¿qué efecto cabe esperar en un próximo estudio? El τ² responde: ¿cuánto varían los efectos verdaderos entre estudios?

11. Investigando la heterogeneidad: subgrupos y meta-regresión

Detectar heterogeneidad sustancial obliga a investigar sus fuentes. Las dos herramientas son los análisis por subgrupos y la meta-regresión. Ambos deben ser pre-especificados en el protocolo.

11.1 Análisis por subgrupos

• Estratifica el análisis por características clínicas o metodológicas (edad, dosis, riesgo basal, calidad metodológica).
• Pre-especificar las hipótesis y los subgrupos en el protocolo.
• Usar el test formal de interacción entre subgrupos; no comparar valores p dentro de cada subgrupo.
• Un valor p < 0.10 en la prueba de interacción sugiere efecto modificador.
• Limitar el número de subgrupos para evitar inflación del error tipo I.

Riesgo de sesgo ecológicoLas comparaciones entre estudios son observacionales aunque los estudios individuales sean ECA. La asignación de pacientes al subgrupo (p. ej., riesgo alto vs bajo) no es aleatoria entre estudios, por lo que las diferencias detectadas pueden reflejar confusión por características no medidas.

11.2 Meta-regresión

La meta-regresión extiende el análisis por subgrupos a covariables continuas y permite modelos multivariables. El modelo lineal mixto subyacente es:

θ̂ᵢ = β₀ + β₁ · xᵢ + uᵢ + εᵢ

Recomendaciones operativas:

• Disponer de al menos 10 estudios por covariable.
• Pre-especificar las covariables a explorar.
• Reportar R² explicado por la covariable y el τ² residual.
• Cuidar la multicolinealidad cuando se incluyan varias covariables.

Aplicaciones típicas: efecto de la edad media, dosis, año de publicación, riesgo basal, tipo de comparador o riesgo de sesgo.

Implementación en R

library(metafor)

# Subgrupos con metafor

fit_sub <- rma(yi = TE, sei = seTE, mods = ~ subgrupo,

               data = d, method = «REML», test = «knha»)

summary(fit_sub)

# Meta-regresión con covariable continua

fit_reg <- rma(yi = TE, sei = seTE, mods = ~ edad_media,

               data = d, method = «REML», test = «knha»)

summary(fit_reg)

# R^2 explicado y tau^2 residual

fit_reg$R2; fit_reg$tau2

12. Eventos raros y celdas en cero

Cuando los desenlaces son raros o algunos estudios no observan eventos en uno o ambos brazos, los estimadores estándar pueden colapsar (log-OR no definido cuando hay un cero). Cochrane (10.4.4–10.4.6) ofrece varias estrategias.

Estrategia		Cuándo aplicarla	Cuidado
Corrección de continuidad +0.5 a cada celda		Default IV/M-H con un cero en uno o ambos brazos	Sesgo direccional cuando el efecto es grande
Mantel-Haenszel sin corrección		Eventos raros, muestras pequeñas	Más estable; preferido frente a IV
Peto OR		Eventos < 1%, ramas balanceadas, efecto pequeño	Sesga fuera de su dominio óptimo
Modelo log-binomial / binomial-normal exacto		Análisis avanzado en metafor	Requiere modelado explícito
Excluir doble cero		Estudio sin eventos en ambos brazos	Discutir el impacto en la conclusión
	Regla prácticaSi hay al menos un cero en una rama, considerar M-H sin corrección o Peto. El doble cero suele excluirse del análisis principal y reincorporarse en sensibilidad. La elección debe pre-especificarse en el protocolo.

13. Tipos de meta-análisis según diseño y medida de efecto

La taxonomía de meta-análisis se organiza por el diseño de los estudios incluidos y por la medida de efecto. La siguiente tabla resume los seis grandes tipos y su software habitual.

Tipo	Diseños incluidos	Medidas típicas	Software / paquetes
ECA	Ensayos clínicos aleatorizados	OR · RR · RD · MD · SMD	RevMan · meta · metafor
Observacional	Cohortes y caso-control	log-RR · log-HR · log-OR	metafor · meta
Predictivo / diagnóstico	Estudios diagnósticos y pronósticos	AUC · sens/esp bivariado	mada · midas (Stata)
Prevalencia / asociación	Estudios transversales	Prevalencia logit/arcsin · PR · OR	metaprop · meta
IPD	Datos individuales de participantes	Cualquiera, con ajuste fino	ipdmeta · 1-stage / 2-stage
Network meta-analysis (NMA)	Comparaciones múltiples directas e indirectas	OR/RR/HR · SUCRA · ranking	netmeta · BUGSnet · gemtc

13.1 Notas sobre meta-análisis en red (NMA)

• Combina comparaciones directas e indirectas para estimar efectos relativos entre múltiples intervenciones.
• Requiere supuesto de transitividad (los estudios son intercambiables salvo por la intervención evaluada) y consistencia (acuerdo entre evidencia directa e indirecta).
• Evaluar la inconsistencia con el modelo node-splitting o el modelo de diseño-por-tratamiento.
• Reportar SUCRA y ranking probabilístico con cautela: pequeñas diferencias en la posición pueden no ser clínicamente relevantes.

13.2 Notas sobre IPD

• Permite estandarizar definiciones de desenlaces, ajustar por covariables individuales y evaluar interacciones a nivel paciente.
• Estrategia de dos etapas (one-stage vs two-stage): ambas son válidas; one-stage permite modelar correlaciones intra-estudio explícitamente.
• Costo y tiempo elevados; se justifica cuando la pregunta clínica requiere ajuste individual o interacciones.

14. Análisis de sensibilidad

El análisis de sensibilidad evalúa la robustez del resultado repitiendo el meta-análisis tras cambiar una decisión metodológica relevante. Es la herramienta que distingue una estimación robusta de una estimación dependiente del supuesto.

Decisión modificada		Alternativa a explorar
Modelo		Efectos fijos vs aleatorios
Estimador τ²		DL · PM · REML
Riesgo de sesgo		Excluir estudios de alto RoB
Medida de efecto		RR vs OR · MD vs SMD
Outliers e influyentes		Excluir estudios con peso extremo
Imputación de SD		Distintas SD imputadas
Estado de publicación		Solo estudios publicados
Eventos cero		M-H sin corrección · Peto
	Lectura del análisis de sensibilidadSi la dirección y la magnitud del efecto se mantienen → resultado robusto. Si cambian → resultado dependiente del supuesto y debe discutirse explícitamente en la sección de limitaciones.

15. Lectura sistemática del forest plot

El forest plot es la representación canónica del meta-análisis. Su lectura no es estética: se sigue una secuencia ordenada que articula los siete pasos previos.

Paso		Qué revisar
1		Confirmar el desenlace: binario o continuo, escala, dirección del efecto
2		Revisar los brazos: frecuencias y N en cada grupo por estudio
3		Tamaño de efecto individual: RR/OR/SMD por estudio y su IC
4		Tendencia de los efectos: izquierda/derecha del nulo, solapamiento de IC
5		Efecto global: magnitud, IC95%, heterogeneidad (I², τ²) e intervalo de predicción
6		Interpretación clínica: trivial · pequeño · moderado · grande
7		Robustez: ¿el resultado se sostiene en los análisis de sensibilidad?
	Errores frecuentes al leer forest plots(1) Confundir el diamante (efecto pooled) con un IC individual; (2) ignorar la línea del intervalo de predicción cuando se reporta; (3) leer el orden de los estudios como ranking (a menudo es alfabético o cronológico, no por peso); (4) interpretar la longitud de la línea como tamaño muestral en lugar de precisión.

16. Reporte estadístico: estructura mínima para Methods

Un reporte transparente permite reproducir el análisis, evaluarlo críticamente y reusarlo. La sección de Methods de la revisión debe declarar, como mínimo, los siguientes ocho elementos.

#		Elemento	Ejemplo de redacción
1		Tipo de dato y medida de efecto	“Para mortalidad (binario) se usó RR; para escala MADRS (continuo) se usó SMD (Hedges’ g).”
2		Modelo y método	“Modelo de efectos aleatorios con varianza inversa.”
3		Estimador de τ²	“τ² estimado con REML; sensibilidad con DL y PM.”
4		Manejo de celdas en cero	“Estudios con doble cero excluidos; con cero en una rama, M-H sin corrección.”
5		Heterogeneidad	“Reportada con I², τ² e intervalo de predicción al 95%.”
6		Subgrupos / meta-regresión	“Pre-especificados: edad, riesgo basal y dosis. Test de interacción.”
7		Análisis de sensibilidad	“Excluyendo alto RoB, modelo fijo, imputación alternativa de SD.”
8		Software y certeza GRADE	“R 4.4 (paquetes meta y metafor); SoF y GRADEpro v3.6.”
	Frase tipo para Methods“Se realizó un meta-análisis con modelo de efectos aleatorios y método de varianza inversa, estimando la varianza entre estudios τ² con REML y construyendo intervalos de confianza al 95% mediante el ajuste de Hartung-Knapp-Sidik-Jonkman. La heterogeneidad se cuantificó con I² y τ² y se reportó un intervalo de predicción al 95%. Cuando se observaron celdas en cero se utilizó el método de Mantel-Haenszel sin corrección de continuidad. Análisis de sensibilidad: estimadores DL y PM, exclusión de estudios con alto riesgo de sesgo, modelo de efectos fijos. Software: R 4.4 (paquetes meta y metafor). La certeza global se evaluó con GRADE.”

17. Errores frecuentes y cómo evitarlos

Error	Buena práctica
Usar efectos fijos por defecto	Usar aleatorios cuando hay heterogeneidad clínica; reportar τ² e I²
Concluir “sin heterogeneidad” por p > 0.05 en Q	Usar I², τ² e intervalo de predicción; recordar baja potencia de Q
Combinar escalas distintas con MD	Usar SMD (Hedges’ g) cuando los instrumentos difieren
Meta-regresión con < 10 estudios por covariable	Limitar a subgrupos pre-especificados; declarar baja potencia
Ignorar dobles ceros con corrección 0.5	M-H sin corrección o Peto si eventos < 1%
No pre-especificar análisis exploratorios	Diferenciar a priori vs post-hoc; usar sensibilidad
Reportar solo IC del pooled cuando hay heterogeneidad	Acompañar con intervalo de predicción
Interpretar SUCRA como ranking definitivo	Reportar incertidumbre del ranking; cuidar consistencia

18. Mensajes clave

1. El meta-análisis es un promedio ponderado guiado por la pregunta clínica y por la disponibilidad de datos comparables.
2. El modelo (fijos vs aleatorios) y el método (M-H, IV, Peto, MD, SMD) se eligen antes de mirar el resultado, según la diversidad clínica y metodológica subyacente.
3. La heterogeneidad se reporta con tres caras complementarias: I² (relativa), τ² (absoluta) e intervalo de predicción (proyección a futuros estudios).
4. El análisis de sensibilidad y el reporte transparente convierten un meta-análisis en evidencia confiable; sin ellos, la estimación combinada es solo un número.

Apéndice A. Workflow completo en R

El siguiente bloque integra los pasos del flujo metodológico en un script reproducible que el alumno puede adaptar a su propia base de datos.

# ================================================================

#  Workflow integrado de meta-análisis

#  Programa de Especialización en Revisiones Sistemáticas y MA

#  Autor: Joshuan J. Barboza, PhD

# ================================================================

library(meta)

library(metafor)

library(dmetar)

# 1. CARGA DE DATOS BINARIOS  ————————————

d <- data.frame(

  study = c(«Smith2020″,»Lopez2021″,»Tan2022″,»Khan2023″,»Park2024»),

  ee = c(45,12,87,33,21),  te = c(220,110,410,160,98),

  ec = c(78,25,132,55,40), tc = c(218,108,405,158,99)

)

# 2. MODELO ALEATORIO + IV + REML + HKSJ  ————————-

m <- metabin(

  event.e = ee, n.e = te, event.c = ec, n.c = tc,

  studlab = study, data = d,

  sm = «RR», method = «Inverse»,

  random = TRUE, common = FALSE,

  method.tau = «REML», hakn = TRUE,

  prediction = TRUE

)

summary(m)

forest(m, prediction = TRUE)

# 3. SENSIBILIDAD: ESTIMADORES DE TAU²  —————————

sens_tau <- sapply(c(«DL»,»PM»,»REML»,»SJ»), function(t){

  fit <- update(m, method.tau = t)

  c(tau2 = fit$tau2, mu = exp(fit$TE.random),

    lo = exp(fit$lower.random), hi = exp(fit$upper.random))

})

sens_tau

# 4. SENSIBILIDAD: MODELO FIJO  ———————————–

m_fixed <- update(m, common = TRUE, random = FALSE)

# 5. SUBGRUPOS PRE-ESPECIFICADOS  ———————————

d$riesgo <- c(«alto»,»alto»,»bajo»,»bajo»,»alto»)

m_sub <- update(m, subgroup = riesgo, tau.common = FALSE)

forest(m_sub)

# 6. META-REGRESIÓN POR EDAD MEDIA  ——————————-

d$edad <- c(58, 62, 55, 67, 60)

fit_reg <- rma(yi = m$TE, sei = m$seTE,

               mods = ~ edad, data = d,

               method = «REML», test = «knha»)

summary(fit_reg)

# 7. SESGO DE PUBLICACIÓN  —————————————-

funnel(m); metabias(m, method.bias = «Egger»)

trimfill(m)

# 8. CERTEZA DE LA EVIDENCIA — exportar a GRADEpro

#  (resumir efecto pooled, IC, I², τ², PI y RoB para SoF)

Referencias

• Higgins JPT, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, Welch VA (eds.). Cochrane Handbook for Systematic Reviews of Interventions. Versión 6.5. Cochrane, 2024. Capítulo 10.
• Schmid CH, Stijnen T, White IR (eds.). Handbook of Meta-Analysis. Chapman & Hall / CRC Handbooks of Modern Statistical Methods, 2020.
• Borenstein M, Hedges LV, Higgins JPT, Rothstein HR. Introduction to Meta-Analysis. 2.ª ed. Wiley, 2021.
• Veroniki AA, Jackson D, Viechtbauer W, et al. Methods to estimate the between-study variance and its uncertainty in meta-analysis. Research Synthesis Methods 2016;7(1):55–79.
• IntHout J, Ioannidis JPA, Borm GF. The Hartung-Knapp-Sidik-Jonkman method for random-effects meta-analysis is straightforward and considerably outperforms the standard DerSimonian-Laird method. BMC Medical Research Methodology 2014;14:25.
• IntHout J, Ioannidis JPA, Rovers MM, Goeman JJ. Plea for routinely presenting prediction intervals in meta-analysis. BMJ Open 2016;6:e010247.
• Wan X, Wang W, Liu J, Tong T. Estimating the sample mean and standard deviation from the sample size, median, range and/or interquartile range. BMC Med Res Methodol 2014;14:135.
• Sterne JAC, Sutton AJ, Ioannidis JPA, et al. Recommendations for examining and interpreting funnel plot asymmetry in meta-analyses of randomised controlled trials. BMJ 2011;343:d4002.
• Rücker G, Schwarzer G. Ranking treatments in frequentist network meta-analysis works without resampling methods. BMC Medical Research Methodology 2015;15:58.
• Riley RD, Lambert PC, Abo-Zaid G. Meta-analysis of individual participant data: rationale, conduct, and reporting. BMJ 2010;340:c221.

Cita sugerida de este informeBarboza JJ. Meta-análisis: modelos, métodos, tipos e interpretación. Informe técnico-pedagógico para el Programa de Especialización en Revisiones Sistemáticas y Meta-análisis. Universidad Señor de Sipán, 2026.