Escándalo: Retiro de revistas de la base Scopus

Cuando hablamos del sistema de publicaciones científicas, solemos imaginar un espacio cuidadosamente regulado, donde la calidad prevalece sobre la cantidad y cada artículo ha sido evaluado con rigor antes de incorporarse al cuerpo universal del conocimiento. Esa es, al menos, la imagen ideal: un proceso ordenado, metódico y ético en el que cada pieza aporta un ladrillo sólido a la construcción colectiva del saber. Sin embargo, la realidad contemporánea es mucho más compleja. Hoy, un sistema que debería funcionar como un filtro de excelencia se encuentra sometido a presiones económicas, políticas, institucionales y personales que han revelado fisuras profundas. Estas grietas no solo comprometen la integridad editorial, sino también la credibilidad misma de la ciencia.

1. La fractura del sistema editorial

La reciente caída editorial de una megarrevista, como Science of the Total Environment, capaz de publicar más de diez mil artículos al año, es solo la punta del iceberg. En 2024–2025, esta revista fue expulsada del índice de Clarivate (JCR) por prácticas editoriales cuestionables vinculadas a un crecimiento desproporcionado, revisiones de baja rigurosidad, influencia indebida de ciertos grupos de autores y sospechas de redes de citas y de autopromoción editorial. El caso se volvió emblemático porque demostró que incluso revistas de alto impacto pueden enfrentar crisis profundas.

Este fenómeno forma parte de un problema global alimentado por malas prácticas, decisiones éticamente cuestionables y una creciente mercantilización del conocimiento. La ciencia se sostiene sobre tres pilares fundamentales —rigor, transparencia y revisión crítica— y cuando uno de ellos se debilita, el sistema entero se tambalea.

En muchos casos, las editoriales académicas, especialmente las grandes multinacionales que dominan el mercado, han convertido la publicación científica en un negocio extraordinariamente lucrativo. Hoy observamos artículos pagados por miles de dólares, revistas que inflan su volumen de publicaciones sin mejorar los procesos de revisión, uso de revisores ficticios, manipulación de comités editoriales y una industria soterrada de papermills capaz de fabricar artículos falsos con metodologías inventadas, datos inexistentes y autorías compradas.

Esto no es especulación: Springer, Wiley, Elsevier y otras editoriales han retirado cientos o miles de artículos tras investigaciones que revelaron redes de fraude, manipulación editorial y colusión entre autores y revisores. Lo que parecía un problema aislado ahora es un desafío estructural.

Un caso paradigmático ocurrió en 2023, cuando Hindawi —propiedad de Wiley— retiró más de 4.000 artículos y suspendió 16 de sus revistas indexadas debido a redes organizadas de fraude, manipulación en la revisión por pares, uso de revisores falsos y papermills. El caso fue documentado públicamente por Nature: https://www.nature.com/articles/d41586-023-03974-8. Como consecuencia, varias de estas revistas perdieron temporal o permanentemente su indexación en Web of Science.

El fenómeno de las “megarrevistas” ha agravado la situación. Muchas de ellas ofrecen revisiones rápidas, tasas de aceptación elevadas y un alcance global, y funcionan, en la práctica, como máquinas de publicación. MDPI ha enfrentado múltiples cuestionamientos por ciclos de revisión extremadamente cortos, presiones editoriales para aceptar manuscritos y el exceso de special issues sin una supervisión metodológica adecuada. Revistas como Sustainability, Energies y Applied Sciences han sido pausadas o temporalmente retiradas de Scopus en distintos momentos por irregularidades métricas y criterios de calidad.

A ello se suma uno de los casos más notorios de fraude editorial moderno: la revista Tumor Biology (Springer). En 2017 fue expulsada del Journal Citation Reports tras descubrirse que cientos de artículos habían sido aprobados por revisores ficticios proporcionados por los propios autores.

El problema de fondo radica en el modelo de negocio. Las editoriales alquilan espacios y las revistas publican grandes cantidades de artículos porque cada publicación se traduce en ingresos. En ese contexto, revisar con rigor deja de ser rentable. Este deterioro ético tiene repercusiones severas: estudios débiles o falsos ingresan en revisiones sistemáticas, se citan en nuevas investigaciones y, en algunos casos, influyen en guías clínicas y políticas públicas. El ruido se mezcla con la evidencia, contaminando la calidad de la ciencia que consideramos confiable.

Todo esto ocurre en el marco de la mayor presión académica contemporánea: el imperativo de “publicar o perecer”.

2. Publicar o perecer

En muchas universidades, los ascensos, becas, plazas y reconocimientos dependen del número de publicaciones, no de su calidad, impacto ni integridad. Así, la publicación deja de ser un medio para comunicar conocimiento y se convierte en un fin en sí misma. Cuando el sistema premia la cantidad, inevitablemente abre espacio a prácticas dudosas. No sorprende el surgimiento de mercados paralelos donde se compran autorías, se contratan papermills y se gestionan revisiones “amigables”.

Uno de los elementos más preocupantes es la fragilidad estructural del sistema de revisión por pares. La mayoría de los científicos revisa artículos gratuitamente, sin incentivos ni tiempo, mientras que las editoriales generan millones de dólares a partir de esos mismos artículos. Esta asimetría crea un ecosistema en el que la evaluación crítica se vuelve superficial y, a veces, ilusoria.

Frente a ello, es legítimo preguntarse: ¿cómo puede sostenerse un sistema editorial robusto cuando los incentivos están invertidos? ¿Cómo puede funcionar la ciencia si la revisión —su mecanismo central de control de calidad— depende de la buena voluntad, mientras el negocio editorial monetiza cada página publicada?

Pese a todo, esta crisis está forzando una reflexión profunda. El sistema de publicaciones científicas no fue diseñado para soportar el volumen actual de producción, ni la presión institucional, ni el mercado multimillonario en el que se ha transformado. Esto también obliga a redefinir el rol del investigador: ¿somos productores de artículos o generadores de conocimiento? ¿Estamos escribiendo para mejorar la práctica clínica, para hacer avanzar la ciencia o simplemente para sobrevivir a un sistema que exige números?

3. Conclusiones

La caída de una megarrevista no es solo un escándalo editorial: es un síntoma. Es un espejo que revela un problema sistémico, profundo y urgente. Si aspiramos a construir un sistema más ético, transparente y verdaderamente útil para la sociedad, necesitamos exigir cambios reales: procesos de revisión más abiertos y responsables, criterios de evaluación centrados en la calidad y no en el volumen, mayor transparencia editorial, sanciones efectivas ante el fraude y una redefinición institucional del valor de publicar.

La ciencia merece algo mejor. Y la sociedad también. Este es el momento para reconstruir, con honestidad y evidencia, un sistema editorial que vuelva a estar al servicio del conocimiento y no del mercado.

Desde mi experiencia como investigador clínico, considero que este es un llamado de atención indispensable. Estaré atento a sus comentarios sobre esta problemática.

Revisiones Sistemáticas y Revisiones de Literatura: ¿Cuáles son las diferencias?

Introducción 

En el ámbito de la investigación biomédica, la revisión de la evidencia constituye un componente esencial para la generación de conocimiento crítico, la síntesis de hallazgos y la orientación de la toma de decisiones clínicas, sanitarias y políticas. Sin embargo, bajo el concepto general de “revisión” coexisten enfoques metodológicos distintos que responden a propósitos, niveles de rigor y alcances diferentes. Entre ellos, las revisiones sistemáticas y las revisiones de literatura tradicional se han consolidado como dos modalidades ampliamente empleadas, aunque no siempre se comprenden sus diferencias fundamentales. La distinción rigurosa entre ambas no es un ejercicio académico menor: es una necesidad epistemológica que determina la validez de las conclusiones, la confiabilidad de la evidencia y la posibilidad de replicación científica.

La revisión sistemática constituye el estándar metodológico más robusto para sintetizar la evidencia disponible sobre un problema clínico específico. Su característica distintiva es la aplicación estricta de un protocolo previamente diseñado y registrado, que define explícitamente la pregunta de investigación, los criterios de elegibilidad, las fuentes de información, la estrategia de búsqueda, los métodos de evaluación de la calidad y los procedimientos para la síntesis cualitativa o cuantitativa. Herramientas como PRISMA, JBI, Cochrane, PROSPERO y GRADE son indispensables para garantizar que el proceso se desarrolle bajo altos estándares de transparencia y reproducibilidad. La naturaleza sistemática implica que la selección de estudios no depende del criterio subjetivo del autor, sino de un proceso estructurado que reduce el riesgo de sesgo tanto en la identificación como en la interpretación de la evidencia. Asimismo, la revisión sistemática aspira a responder una pregunta estrecha y definida, con un enfoque clínico o metodológico delimitado, que se beneficia de la posibilidad de realizar meta-análisis cuando la homogeneidad de los estudios lo permite.

En contraste, la revisión de la literatura tradicional —también denominada narrativa— constituye un análisis más amplio, flexible y, en ocasiones, interpretativo, cuyo propósito principal es integrar conocimiento general sobre un tema, describir su evolución conceptual y ofrecer una perspectiva contextual o teórica. A diferencia de la revisión sistemática, la narrativa no exige una estrategia de búsqueda exhaustiva ni el establecimiento de criterios de selección predefinidos. Su proceso depende en mayor medida de la pericia del autor para identificar, resumir y articular los hallazgos relevantes. Esta flexibilidad, aunque útil para explorar tendencias, discutir marcos conceptuales o construir argumentos preliminares, conlleva un riesgo metodológico inherente: el sesgo de selección, la omisión involuntaria de estudios relevantes y la ausencia de una evaluación formal de la calidad metodológica. Por ello, si bien una revisión de la literatura puede ofrecer una visión panorámica valiosa, no posee el rigor inferencial necesario para fundamentar decisiones clínicas o recomendaciones de práctica.

Una diferencia epistemológica central entre ambas modalidades radica en su finalidad: las revisiones sistemáticas buscan responder una pregunta específica mediante la síntesis objetiva de estudios primarios, mientras que las revisiones de literatura buscan comprender un fenómeno desde una perspectiva integradora y conceptual. Esta distinción tiene implicancias directas en el nivel de evidencia: mientras que una revisión sistemática bien ejecutada con meta-análisis representa uno de los niveles más altos dentro de la jerarquía de evidencia, una revisión narrativa se ubica en un nivel inferior, dado que su capacidad para fundamentar recomendaciones depende de la calidad y coherencia del análisis discursivo más que de un procedimiento metodológico estandarizado.

Otro aspecto clave es la reproducibilidad. Una revisión sistemática, al ser protocolizada y documentada de forma explícita, puede replicarse por otros investigadores, quienes deberían obtener resultados similares si se mantienen los criterios definidos. Este atributo fortalece la validez externa y aporta consistencia al cuerpo de evidencia. Por el contrario, la revisión narrativa, al basarse en la selección subjetiva de fuentes, presenta una reproducibilidad limitada, lo que dificulta su evaluación crítica y su comparabilidad.

Aspectos elementales que debemos considerar

Las revisiones sistemáticas tienen un enfoque metodológico basado en:

1. Describir los estudios sintetizados incluidos en la revisión que responden a la pregunta de investigación planteada. 
2. Evaluar detalladamente que los estudios a incluir estén dentro del margen de criterios de elegibilidad específicos, que están ligados a la pregunta de investigación (PICO, diseño, tipo de estudio).
3. Aplicar la generalización de la información a partir de los resultados del metaanálisis. 

Estos tres puntos establecen las principales diferencias con los artículos de revisión, que tienen un enfoque metodológico basado en:

1. Explicar aspectos teóricos y conceptuales sobre un tema, tanto puntual como general. 
2. Abordar la información y actualizar los conocimientos desde una perspectiva más documental y académica.

En la siguiente tabla, detallo esas diferencias, desde un punto de vista metodológico:

Dimensión	Revisión Sistemática	Revisión de Literatura (Narrativa)
Propósito principal	Responder una pregunta específica mediante una síntesis rigurosa y objetiva de estudios primarios.	Describir, contextualizar y sintetizar la literatura existente sobre un tema amplio; explorar conceptos o teorías.
Estructura metodológica	Está altamente estandarizada y se basa en un protocolo previo (PRISMA, Cochrane, JBI).	Flexible: no requiere un protocolo formal ni estándares de reporte definidos.
Pregunta de investigación	Precisa, delimitada y formulada con un formato estructurado (PICO, PECO, PEO, etc.).	General, amplia o exploratoria; puede no seguir un marco conceptual específico.
Estrategia de búsqueda	Exhaustiva, reproducible y sistemática, incluye múltiples bases de datos, literatura gris y búsquedas manuales.	No necesariamente exhaustiva; depende del criterio del autor y de las fuentes accesibles.
Criterios de inclusión/exclusión	Definidos a priori, explícitos y aplicados de forma uniforme.	Habitualmente implícitos o poco definidos, pueden variar según el juicio del autor.
Selección de estudios	Realizada en pares, con resolución de discrepancias, se documenta mediante un diagrama de flujo PRISMA.	Subjetiva y dependiente del autor; con frecuencia no se registra el proceso de selección.
Evaluación de calidad metodológica	Obligatoria: se utilizan herramientas validadas (Cochrane RoB, ROBINS-I, JBI, QUIPS, AMSTAR 2).	Habitualmente ausente; la valoración de la calidad puede ser descriptiva o no realizada.
Síntesis de resultados	Puede ser cualitativa o cuantitativa; el metaanálisis es un componente opcional, pero con frecuencia central.	Descriptiva, narrativa e interpretativa; no incluye metaanálisis.
Análisis estadístico	Aplicación de métodos cuantitativos (modelos de efectos fijos o aleatorios, heterogeneidad, sesgo de publicación).	No aplica; la síntesis es conceptual y basada en la interpretación.
Reproducibilidad	Alta, debido al protocolo, a criterios explícitos y a una estrategia de búsqueda replicable.	Baja, debido a la subjetividad en la selección de fuentes y a la falta de documentación metodológica.
Implicaciones en la evidencia	Representa el nivel más alto de evidencia cuando se ejecuta correctamente y se aplica GRADE.	Nivel inferior de evidencia; útil para la exploración conceptual, pero no para la toma de decisiones clínicas definitivas.
Sesgos potenciales	Minimiza los sesgos de selección e información mediante procesos sistemáticos y en pares.	Elevado riesgo de sesgo en la selección, publicación e interpretación.
Aplicaciones	Guías de práctica clínica, políticas sanitarias, evaluaciones de tecnologías en salud, decisiones clínicas.	Introducciones teóricas, estados del arte, marcos conceptuales, justificación de investigaciones.
Registro y transparencia	Requiere registro en PROSPERO y reporte con estándares transparentes.	No se registra ni se exige transparencia metodológica detallada.
Contribución científica	Produce una síntesis robusta, cuantificable y replicable; impacta directamente en la práctica clínica.	Aporta análisis contextual, integración conceptual y discusión teórica.

Finalmente, las implicancias para la toma de decisiones marcan una frontera práctica. En contextos clínicos, regulatorios o de formulación de políticas públicas, la revisión sistemática constituye el insumo más confiable para orientar recomendaciones, desarrollar guías de práctica clínica o evaluar intervenciones sanitarias. En cambio, la revisión narrativa resulta más adecuada para explorar nuevas áreas de estudio, ofrecer una introducción a temas emergentes o sustentar marcos conceptuales en investigaciones en fase inicial.

En síntesis, ambas modalidades cumplen funciones complementarias dentro del ecosistema científico y su elección debe responder al objetivo del investigador, al tipo de pregunta planteada y al nivel de solidez metodológica requerido. Mientras las revisiones sistemáticas aportan rigor, transparencia y capacidad de síntesis cuantitativa, las revisiones de literatura ofrecen amplitud conceptual y un análisis interpretativo que favorece la comprensión global del fenómeno. Reconocer sus diferencias permite no solo fortalecer la práctica investigativa, sino también asegurar que la literatura biomédica avance sobre bases sólidas, críticas y fundamentadas en evidencia científicamente verificable.

Referencias:

1. Linnenluecke, M., Marrone, M., & Singh, A. Conducting systematic literature reviews and bibliometric analyses. Australian Journal of Management. 2019; 45. https://doi.org/10.1177/0312896219877678.

2. Robinson, P., & Lowe, J. (2015). Literature reviews vs systematic reviews. Australian and New Zealand Journal of Public Health, 39. https://doi.org/10.1111/1753-6405.12393.

3. Paul, J., Lim, W., O'Cass, A., Hao, A., & Bresciani, S. (2021). Scientific procedures and rationales for systematic literature reviews (SPAR‐4‐SLR). International Journal of Consumer Studies. https://doi.org/10.1111/ijcs.12695.

Los invito a ver mi video sobre toda esta reflexión académica.

[Lectura crítica] Finerenone with Empagliflozin in Chronic Kidney Disease and Type 2 Diabetes

 

Análisis del artículo: CONFIDENCE Trial 

1. Metodología del estudio

El ensayo clínico CONFIDENCE fue un estudio multicéntrico, doble ciego, aleatorizado y controlado activamente, que evaluó la eficacia y seguridad de la terapia combinada con finerenona y empagliflozina en pacientes con enfermedad renal crónica (ERC) y diabetes tipo 2. Se asignaron aleatoriamente 800 participantes en una proporción 1:1:1 a uno de tres grupos: finerenona sola, empagliflozina sola o la combinación de ambos fármacos.

Criterios de inclusión:

• Diagnóstico de diabetes tipo 2 con HbA1c <11%

• eGFR entre 30 y 90 ml/min/1.73 m²

• Albuminuria: relación albúmina/creatinina urinaria (UACR) entre 100 y 5000 mg/g

• Tratamiento con IECA o ARA II en dosis máxima tolerada

Criterios de exclusión:

• Insuficiencia cardíaca con fracción de eyección reducida

• Hiperkalemia >4.8 mmol/L

• Eventos cardiovasculares recientes (IAM, ACV, hospitalización por IC)

• Uso reciente de SGLT2i o agentes quelantes de potasio

Desenlace primario: cambio relativo en el logaritmo de la media geométrica de la UACR desde el basal hasta el día 180.

Desenlaces secundarios:

• Cambios en la UACR al día 210 (30 días después de suspender tratamiento)

• Cambios en función renal (eGFR), potasio sérico, presión arterial y eventos adversos

Aspectos estadísticos:

• Análisis de medidas repetidas con modelo mixto

• Corrección por multiplicidad: método de Holm–Bonferroni

• Análisis por intención a tratar (ITT) con imputación múltiple de datos faltantes

2. Resultados principales

Participantes:

• N=800 en análisis de eficacia (269 combinación, 264 finerenona, 267 empagliflozina)

• Población diversa, representativa de pacientes con ERC y DM2

Desenlace primario:

• A los 180 días, la combinación redujo la UACR un 29% más que finerenona sola (RR=0.71; IC95%: 0.61–0.82; p<0.001)

• Y un 32% más que empagliflozina sola (RR=0.68; IC95%: 0.59–0.79; p<0.001)

• La reducción absoluta de la UACR fue del 52% con combinación, 32% con finerenona y 29% con empagliflozina

Cambios tras suspender tratamiento:

• La UACR aumentó tras dejar el tratamiento, pero se mantuvo por debajo de los valores basales

Seguridad:

• Hiperkalemia >5.5 mmol/L: 15.3% (combinación), 18.6% (finerenona), 9.7% (empagliflozina)

• Discontinuación por eventos adversos: <5% en todos los grupos

• Insuficiencia renal aguda: rara (<2%)

• Hipotensión sintomática: poco frecuente (1.1%)

3. Análisis crítico

Fortalezas del estudio:

• Diseño metodológicamente robusto: aleatorización estratificada, doble ciego, control activo

• Uso de desenlace validado (UACR) como biomarcador sustitutivo

• Participación global con diversidad étnica y geográfica

• Adherencia alta al tratamiento y bajo nivel de pérdidas

Limitaciones:

• Desenlace primario basado en un marcador subrogado (UACR) sin seguimiento suficiente para eventos clínicos duros como ESKD, muerte cardiovascular o duplicación de creatinina

• Seguimiento limitado a 180 días + 30 días post-tratamiento: no permite evaluar efectos sostenidos

• Financiado por la industria farmacéutica (Bayer), aunque el diseño y análisis fueron supervisados por un comité independiente

Implicancia clínica:

• La combinación de finerenona y empagliflozina mostró efectos aditivos en la reducción de albuminuria, lo que sugiere un potencial impacto en la progresión de la ERC si se confirma en estudios a largo plazo

• La seguridad fue aceptable, sin incremento significativo de hiperkalemia o eventos graves

• Este ensayo apoya la estrategia de iniciar simultáneamente ambos fármacos en pacientes seleccionados, en lugar de la titulación secuencial.

  
  

HOMEOPATÍA ES ESTAFA...o no?

La homeopatía ha sido durante más de dos siglos una de las terapias alternativas más populares en el mundo. Sus defensores la consideran una medicina holística que estimula la capacidad autocurativa del cuerpo; sus críticos, en cambio, la definen como pseudociencia sin fundamento fisiológico ni evidencia clínica seria. Pero, ¿es realmente una estafa? ¿O existe alguna base que justifique su uso dentro de un marco terapéutico? En este artículo analizaremos sus fundamentos, la evidencia disponible y las implicancias éticas de su uso en el contexto médico contemporáneo.

¿Qué es la homeopatía?

Fundada en 1796 por Samuel Hahnemann, la homeopatía parte de dos principios: lo similar cura lo similar (similia similibus curentur) y la ultradilución. Según esta doctrina, una sustancia que causa síntomas en una persona sana puede, en dosis extremadamente diluidas, curar esos mismos síntomas en una persona enferma. Los preparados homeopáticos se diluyen hasta el punto en que no queda ni una molécula de la sustancia original, lo que ha llevado a críticas desde la comunidad científica, al considerarlos equivalentes a agua o excipientes sin principio activo.

¿Qué dice la evidencia científica?

Numerosos estudios han evaluado la eficacia de la homeopatía. Revisiones sistemáticas y metaanálisis de alta calidad (como los publicados por The Lancet o Cochrane) coinciden en que los efectos reportados por pacientes tratados con homeopatía no son significativamente distintos al placebo. La conclusión predominante es clara: no hay evidencia científica robusta que respalde que la homeopatía sea más efectiva que un placebo.

Un metaanálisis influyente de Shang et al. (2005), publicado en The Lancet, comparó 110 ensayos clínicos homeopáticos con 110 de medicina convencional. Al centrarse en los estudios de mayor calidad metodológica, los autores encontraron que la eficacia de los preparados homeopáticos desaparecía, mientras que la de los tratamientos convencionales se mantenía. La editorial de ese número cerró con una frase contundente: "el fin de la homeopatía" (The end of homeopathy).

¿Es entonces una estafa?

Desde una perspectiva bioética, un tratamiento puede considerarse una estafa cuando se promueve como efectivo a pesar de saberse ineficaz o cuando se oculta información a los pacientes. Si bien muchos homeópatas creen sinceramente en lo que hacen, la promoción sistemática de productos sin eficacia comprobada puede considerarse engañosa, sobre todo cuando se utiliza en lugar de terapias científicamente validadas o en contextos graves, como el cáncer, enfermedades autoinmunes o trastornos psiquiátricos.

Además, en muchos países se comercializan productos homeopáticos sin cumplir con los mismos requisitos regulatorios que los medicamentos convencionales. Esto no solo pone en riesgo la salud pública, sino que también genera una falsa percepción de eficacia y seguridad.

¿Entonces por qué tanta gente cree en la homeopatía?

La respuesta no es simple. Muchos pacientes buscan terapias más humanas, con atención prolongada y cercana, que escuchen su sufrimiento. La homeopatía suele ofrecer justamente eso: tiempo, empatía y una narrativa esperanzadora. También influyen el efecto placebo, las remisiones espontáneas de enfermedades y el sesgo de confirmación (tendencia a recordar solo los casos exitosos).

Reflexión final

La homeopatía no es medicina basada en evidencia. No ha demostrado eficacia más allá del placebo y no tiene un mecanismo de acción científicamente plausible. Sin embargo, su existencia y permanencia revelan una crisis de confianza en la medicina moderna, muchas veces impersonal y tecnificada.

¿Es una estafa? Si se presenta como alternativa curativa con base científica, sí. Pero si se ofrece como complemento simbólico, placebo consciente y fuente de consuelo, tal vez esté ocupando un vacío que la medicina tradicional ha dejado de atender.

La solución no es solo desmontar creencias, sino también humanizar la medicina real.

FRAUDE ACADÉMICO Y RETRACTACIONES

 Joshuan J. Barboza, Doctor en Investigación Clínica

Investigador Distinguido RENACYT
SCOPUS ID: 57204457871
ORCID: https://orcid.org/0000-0002-2896-1407

ANÁLISIS Y APLICACIÓN DE MODELOS PRONÓSTICOS EN INVESTIGACIÓN CLÍNICA

 

Introducción: ¿Por qué son importantes los modelos pronósticos?

En medicina, uno de los pilares para la toma de decisiones es la capacidad de anticipar el futuro clínico de un paciente. Esto no solo permite establecer un tratamiento personalizado, sino también informar con claridad a los pacientes y familiares, estimar recursos sanitarios y diseñar mejores estudios clínicos. Los modelos pronósticos surgen como una respuesta científica a esta necesidad: son herramientas estadísticas que integran múltiples variables para estimar la probabilidad de que un paciente experimente un desenlace determinado dentro de un periodo de tiempo.

Un ejemplo clásico es el Nottingham Prognostic Index (NPI), desarrollado para mujeres con cáncer de mama. Este modelo combina el tamaño del tumor, el grado histológico y el número de ganglios linfáticos afectados para calcular una puntuación de riesgo que se asocia con la supervivencia a 5 años Así, una paciente con un tumor de 2 cm, grado histológico 2 y sin ganglios comprometidos podría obtener un NPI bajo, lo cual sugiere un pronóstico favorable.

Conceptos fundamentales

¿Qué es un modelo pronóstico?

Un modelo pronóstico es una fórmula estadística, generalmente derivada de regresión multivariable, que estima el riesgo individual de un paciente para desarrollar un evento clínico futuro (por ejemplo, muerte, recaída, progresión o complicaciones) a partir de una serie de predictores clínicos, demográficos o biológicos.

• En forma general, el modelo puede representarse como:

$$\text{logit}(p)={\beta }_0+{\beta }_1{X}_1+{\beta }_2{X}_2+\cdots +{\beta }_n{X}_n$$

Donde $p$ es la probabilidad del evento, $X_1,X_2,\dots ,X_n$ son los predictores y $\beta$ son sus coeficientes.

• En desenlaces de tiempo a evento, se suele utilizar la regresión de Cox:

$$h(t\mathrm{\mid }X)=h_0(t)\cdot e^{{\beta }_1{X}_1+{\beta }_2{X}_2+\cdots +{\beta }_n{X}_n}$$

Etapas para construir un modelo pronóstico válido

1. Planteamiento clínico y exploración de datos

El primer paso es transformar una necesidad clínica en una pregunta clara y operacional. Por ejemplo: ¿Qué pacientes con traumatismo craneoencefálico tienen alto riesgo de muerte en 14 días? Este enfoque requiere identificar con claridad:

• La población (ej. pacientes ingresados con TCE moderado o severo)

• El desenlace (ej. muerte o discapacidad grave)

• El tiempo de predicción (14 días o 6 meses)

• El contexto clínico (hospitales de trauma)

Esto puede formalizarse bajo el marco PICOTS (Population, Intervention/model, Comparator, Outcome, Time, Setting).

2. Selección y codificación de predictores

Los predictores deben ser variables disponibles en la práctica clínica y con plausibilidad biológica. En el caso del TCE, podrían ser: edad, puntuación de Glasgow, presión sistólica al ingreso, pupilas midriáticas o reacción pupilar. Estos predictores deben codificarse con cuidado. Aunque muchas veces se categorizan para facilitar la interpretación (ej. edad < 65 años vs ≥ 65 años), esto puede generar pérdida de información y se recomienda mantenerlas como variables continuas cuando sea posible.

Además, deben tratarse los valores perdidos. El uso de imputación múltiple es superior al análisis de casos completos, ya que evita sesgos y permite aprovechar toda la información disponible.

3. Especificación y estimación del modelo

Aquí se emplea regresión logística (si el evento es binario) o de Cox (si se modela el tiempo hasta el evento). Supongamos que estamos modelando la mortalidad a 30 días por COVID-19:

$$\text{logit}(p)=-4.2+0.03\times \text{edad}+0.7\times \text{hipoxemia}+0.5\times \text{PCR elevada}$$

En este modelo, por cada año adicional de edad, el riesgo de muerte aumenta en un 3% relativo (OR = 1.03). Cada variable contribuye al riesgo total, y se puede construir una calculadora de riesgo para uso clínico.

Para evitar sobreajuste, es importante que haya una proporción adecuada entre eventos y predictores (mínimo 10 eventos por predictor). Métodos como LASSO pueden ayudar a seleccionar automáticamente variables relevantes y reducir el sobreajuste mediante penalización.

4. Evaluación del desempeño

Discriminación y calibración son las dos dimensiones esenciales para evaluar un modelo.

• Discriminación mide cuán bien el modelo distingue entre pacientes que tendrán el evento y los que no. El estadístico C o AUC es el más usado:

  • C = 0.5 → azar

  • C = 0.7 → aceptable

  • C > 0.8 → excelente

• Calibración mide cuán cercanas son las predicciones del modelo a lo que realmente ocurre. Por ejemplo, si un grupo de pacientes tiene una predicción de 20% de muerte, deberían morir aproximadamente 20 de cada 100 pacientes. Las curvas de calibración ayudan a visualizar esto. Idealmente, los puntos deben alinearse con la línea de 45°.

5. Validación del modelo

Una vez construido, el modelo debe probarse en nuevos pacientes. Esto se puede hacer de forma:

• Interna: mediante bootstrap o cross-validation dentro del mismo dataset.

• Externa: aplicando el modelo en otra población o en un nuevo periodo de tiempo.

La validación externa es crucial. Por ejemplo, el modelo CRASH para TCE fue validado en más de 10,000 pacientes de distintos países, mostrando buen rendimiento y justificación para su uso clínico.

6. Actualización y recalibración

Ningún modelo es eterno. Con el tiempo, pueden cambiar los tratamientos, las poblaciones o los desenlaces. Si un modelo pierde precisión, puede:

• Recalibrarse: ajustando intercepto o coeficientes.

• Extenderse: añadiendo nuevos predictores (como biomarcadores o hallazgos por imagen).

• Rediseñarse: incorporando nuevas metodologías como machine learning.

Sin embargo, los beneficios de agregar nuevos predictores deben medirse frente al costo y la complejidad clínica.

---

Ejemplo aplicado: Modelo OncologIQ

El modelo OncologIQ, desarrollado en pacientes con cáncer de cabeza y cuello, predice la supervivencia a 5 años y se ha actualizado incorporando 12 predictores clínicos. En una validación reciente, obtuvo un C-statistic de 0.71, lo que refleja buena capacidad discriminativa. Sin embargo, la calibración inicial subestimaba la supervivencia, lo que motivó su recalibración 

---

Reflexión final: ¿Qué hace útil a un modelo?

Un modelo útil no es el más complejo, sino el más aplicable y validado. Debe ser confiable, fácil de interpretar y guiar decisiones clínicas relevantes. Para lograrlo, es necesario:

• Diseñar estudios robustos con datos de calidad

• Validar el modelo en poblaciones reales

• Evaluar su impacto en decisiones clínicas y resultados en salud

Como concluye Steyerberg: un modelo pronóstico debe considerarse no solo como una herramienta estadística, sino como una “tecnología sanitaria” que requiere evaluación, seguimiento y mejora continua.

Herramientas Journal Finder y el uso de SCImago Journal Rank

 Elaborado por:

Joshuan J. Barboza

Universidad Señor de Sipán