¿Qué es un metaanálisis? Cómo leer un resultado combinado

Cada estudio aporta una estimación, como un riesgo relativo o una diferencia de medias, junto con incertidumbre. El metaanálisis combina estimaciones adecuadas mediante un método definido; no promedia todos los números de los artículos. Los estudios precisos suelen recibir más peso, aunque la ponderación depende del método y del modelo.

El resultado resume la evidencia introducida bajo los supuestos del análisis. No es automáticamente el efecto que ocurrirá en cualquier contexto. Un intervalo estrecho no corrige un desenlace mal registrado, un estudio sesgado ni una combinación inadecuada de preguntas. Examine estos problemas antes y después del cálculo.

Una revisión sistemática define la pregunta, busca y selecciona evidencia, evalúa los estudios y sintetiza los hallazgos. El metaanálisis es una opción de síntesis dentro de ese proceso. Combinar estudios elegidos por conveniencia no hace sistemática la selección; una revisión rigurosa puede concluir que combinar no sería útil.

Ante «un metaanálisis de veinte estudios», pregunte cómo se encontraron, por qué eran elegibles y si varias publicaciones describen a los mismos participantes. El número por sí solo no demuestra una cobertura adecuada. La explicación de la revisión sistemática presenta el proceso más amplio de la evidencia.

Defina primero la pregunta y la cantidad que quiere estimar. Poblaciones, intervenciones o exposiciones, comparadores, desenlaces y seguimiento deben ser suficientemente compatibles para que la combinación tenga sentido. Los estudios no necesitan ser idénticos, pero sus diferencias requieren una justificación científica.

Compruebe después independencia y disponibilidad de datos. Varios informes de los mismos participantes, momentos repetidos o controles compartidos pueden generar estimaciones correlacionadas. Tratarlas como independientes puede reducir artificialmente la incertidumbre. Una estimación puntual puede ser inutilizable para cierto cálculo sin una medida adecuada de incertidumbre o información para derivarla.

Las situaciones ficticias siguientes se refieren a un desenlace previsto a las 12 semanas. Ilustran decisiones de entrada en esa síntesis, no pruebas de un producto. Datos ausentes o un momento incompatible pueden excluir un resultado del cálculo sin excluir de toda la revisión un estudio que sigue siendo elegible.

El riesgo relativo compara probabilidades de un evento. La razón de momios compara los momios: probabilidad dividida por uno menos esa probabilidad. No son intercambiables, especialmente con eventos frecuentes. La diferencia de medias conserva la unidad original; la diferencia estandarizada expresa la diferencia respecto a la variabilidad. Cochrane explica estas medidas.

En una razón, la ausencia de diferencia vale 1; en una diferencia, normalmente 0. Una razón menor que 1 no es intrínsecamente beneficiosa. Compruebe si el evento es deseable o perjudicial, qué grupo está en el numerador y cómo se define el desenlace. Un efecto relativo necesita un riesgo basal pertinente para expresar su impacto absoluto.

Las razones suelen analizarse en escala logarítmica. Como log(1) = 0, un intervalo simétrico alrededor de la estimación logarítmica se vuelve asimétrico al exponenciarlo. Es lo esperado, no un error gráfico. El ejemplo usa logaritmos de riesgos relativos para mostrar el cálculo; no asigna un evento ni una intervención reales.

Para cálculos y conversiones más completos, consulte la guía de d de Cohen, g de Hedges, razones de momios y riesgos relativos (en inglés). Mantenga la medida, dirección de comparación, unidades y seguimiento junto a cada estimación.

Estos datos son completamente sintéticos. Tres estudios independientes tienen logaritmos de riesgos relativos de 0.10, 0.20 y 0.30, cada uno con error estándar de 0.10. Usamos efecto común, varianza inversa e intervalo del 95 % por aproximación normal. Los errores estándar iguales producen pesos iguales: no es un ejemplo de ponderación desigual ni evidencia sobre una intervención real.

Cada varianza es 0.10² = 0.01, de modo que cada peso es 100 y la suma 300. La media ponderada es (100 × 0.10 + 100 × 0.20 + 100 × 0.30) / 300 = 0.20. El error estándar combinado es √(1 / 300) = 0.057735. Con 1.96 errores estándar, el intervalo logarítmico aproximado va de 0.08684 a 0.31316.

Al exponenciar obtenemos una razón de riesgos de 1.221, con intervalo de confianza del 95 % de 1.091 a 1.368. Cada estudio aporta un tercio del peso; los porcentajes están redondeados. Sin evento o comparador reales, no hay dirección de beneficio. Una razón superior a 1 solo indica mayor probabilidad en el grupo del numerador dentro del ejemplo.

En el gráfico, el marcador indica la estimación y la línea horizontal su intervalo. La referencia vertical está en 1. El diamante se centra en 1.221 y abarca 1.091–1.368. Su estrechez describe precisión bajo el modelo, no ausencia de sesgo ni aplicabilidad. La tabla contiene los mismos datos.

Un modelo de efecto común, llamado a menudo de efecto fijo en este contexto, supone que los estudios estiman un mismo efecto subyacente. Un modelo de efectos aleatorios permite efectos diferentes y resume su distribución. Elija según la pregunta y diferencias plausibles, no solo porque una prueba de heterogeneidad cruce un umbral. Cochrane explica los supuestos y métodos.

La heterogeneidad clínica y metodológica comprende diferencias de participantes, contextos, diseños y mediciones. La estadística describe variación adicional al error muestral bajo el modelo. I² resume inconsistencia relativa: no es el porcentaje de estudios de baja calidad ni el tamaño del efecto. Puede ser incierto, sobre todo con pocos estudios. La varianza entre estudios, τ², describe otra faceta.

El modelo de efectos aleatorios no repara una combinación inadecuada ni elimina sesgo. Los resultados dependen del estimador de varianza y del método del intervalo, especialmente con pocos estudios. Un intervalo de predicción describe la dispersión de efectos subyacentes en contextos comparables bajo supuestos adicionales. Difiere del intervalo de confianza de la media y no garantiza el resultado de un nuevo estudio.

Use subgrupos o análisis de sensibilidad previstos para examinar diferencias relevantes cuando esté justificado, e identifique cambios exploratorios. Si necesita comprobar la implementación del programa, la guía de herramientas de metaanálisis cubre entradas, código y registros para un análisis reproducible.

Los sesgos de los estudios pueden trasladarse a la estimación combinada. La ponderación por varianza inversa no corrige desenlaces ausentes, informes selectivos ni problemas de ejecución. Evalúe según el diseño y el resultado concreto; consulte la guía de Cochrane sobre sesgo.

La evidencia ausente puede distorsionar el conjunto si la disponibilidad de estudios o resultados depende de sus hallazgos. Los gráficos de embudo y las pruebas requieren cuidado: la asimetría no prueba sesgo de publicación y un gráfico tranquilizador no demuestra que no falte nada. Cochrane aborda los resultados ausentes y su evaluación.

Un intervalo que excluye el valor nulo no demuestra importancia práctica, aplicabilidad ni certeza. Lea el tamaño y la incertidumbre del efecto junto a las limitaciones, inconsistencia, evidencia indirecta y demás factores pertinentes. La guía de Cochrane sobre certeza proporciona un marco cuando corresponde.

• Interprete solo después de comprobar datos fuente e identidad de los estudios.

• Lea los análisis de sensibilidad y decisiones sobre datos ausentes junto a la estimación principal.

• Distinga evidencia insuficiente de evidencia de ausencia de un efecto importante.

• Incluya las limitaciones relevantes en la conclusión, no solo en un anexo técnico.

Si una estimación combinada no responde a la pregunta, use una alternativa explícita. Tablas estructuradas o gráficos sin combinación pueden mantener visibles los resultados; otras preguntas requieren síntesis cualitativa u otro método. Explique la agrupación y comparación en vez de contar resultados significativos. Cochrane ofrece alternativas metodológicas, y la guía del proceso de síntesis las conecta con las herramientas.

Con cualquier método, conserve entradas y razones para volver a examinar el análisis. La guía PRISMA conecta métodos y hallazgos con el informe. Elegir y verificar el programa es un paso posterior distinto; no decide si la pregunta justifica combinar.