Metaanálisis: qué es, cómo se hace y cómo interpretarlo

Un metaanálisis es el método estadístico que combina los resultados de varios estudios que responden a la misma pregunta de investigación para obtener una estimación cuantitativa única y más precisa del efecto. Si te preguntas qué es un metaanálisis en términos sencillos, piensa en él como la "media ponderada" de la evidencia: en lugar de leer diez ensayos por separado, los integras en un solo número (con su incertidumbre) que resume lo que, en conjunto, dicen los datos. El metaanálisis es la fase cuantitativa que a veces remata una revisión sistemática, aunque no toda revisión termina en uno.

En esta guía verás qué es un metaanálisis, cuándo es legítimo hacerlo, qué medidas del efecto se usan y, sobre todo, cómo interpretar sus dos gráficos clave: el forest plot y el funnel plot. El objetivo es que salgas sabiendo leer un metaanálisis con criterio, no solo mirando si el resultado es "significativo".

Qué es un metaanálisis (y cuándo se puede hacer)

Un metaanálisis toma el resultado de cada estudio (su tamaño del efecto) y lo pondera, normalmente por la inversa de su varianza, de modo que los estudios más grandes y precisos pesan más en la estimación final. El producto es un efecto combinado (pooled effect) acompañado de su intervalo de confianza.

La gran ventaja es la potencia estadística: estudios individuales pequeños pueden ser incapaces de detectar un efecto real, pero al sumarlos el metaanálisis puede revelarlo. La gran trampa es que combinar lo que no es combinable produce un número preciso pero sin sentido (el clásico "comparar peras con manzanas").

Por eso un metaanálisis solo es defendible cuando:

• Los estudios responden a una pregunta comparable (poblaciones, intervención y desenlace suficientemente homogéneos).
• Existe una medida del efecto común que pueda calcularse en todos ellos.
• Hay un número razonable de estudios y la heterogeneidad entre ellos no es tan alta que invalide el resumen.
• Antes se ha hecho una búsqueda sistemática y una evaluación del riesgo de sesgo de los estudios incluidos.

Si la heterogeneidad clínica o metodológica es excesiva, la respuesta correcta no es forzar el cálculo: es presentar una síntesis narrativa y explicar por qué no procede agrupar.

Metaanálisis vs revisión sistemática

Es la confusión más habitual, así que conviene fijarla. Una revisión sistemática es el proceso completo y reproducible de localizar, seleccionar, evaluar y sintetizar toda la evidencia disponible sobre una pregunta. Un metaanálisis es, opcionalmente, la técnica estadística que sintetiza cuantitativamente los resultados de esa revisión.

La relación es asimétrica: todo metaanálisis riguroso parte de una revisión sistemática, pero no toda revisión sistemática incluye un metaanálisis. Para entender el proceso completo que rodea esta síntesis cuantitativa, consulta la guía sobre cómo hacer una revisión sistemática paso a paso.

Medidas del efecto (odds ratio, riesgo relativo, diferencia de medias)

Antes de combinar nada, hay que elegir cómo se expresa el efecto de cada estudio. La medida depende del tipo de desenlace.

Para desenlaces dicotómicos (ocurre / no ocurre, como enfermar o no, sobrevivir o no):

• Riesgo relativo (RR): cociente entre la probabilidad del evento en el grupo expuesto y en el de control. Un RR de 0,70 significa un 30 % menos de riesgo; es intuitivo y muy usado en estudios de cohortes y ensayos.
• Odds ratio (OR): cociente de odds (probabilidad de que ocurra dividida por la de que no ocurra). Es la medida típica de los estudios de casos y controles y de la regresión logística. Con eventos poco frecuentes, OR y RR se parecen; con eventos comunes, el OR exagera la magnitud y no debe leerse como si fuera un RR.

Para desenlaces continuos (presión arterial, puntuación en una escala, peso):

• Diferencia de medias (MD): cuando todos los estudios miden el desenlace en la misma unidad.
• Diferencia de medias estandarizada (SMD): cuando miden el mismo constructo con escalas distintas; se expresa en desviaciones estándar (la d de Cohen es la más conocida).

En todas ellas, el valor "sin efecto" es la referencia que conviene memorizar para leer cualquier metaanálisis.

Que el valor nulo sea 1 en los cocientes y 0 en las diferencias es la clave para interpretar el gráfico que viene a continuación.

La síntesis empieza mucho antes del forest plot: en revisia llegas a esta fase con los estudios cribados, los datos extraídos y el riesgo de sesgo evaluado. Crea tu cuenta gratis.

El forest plot: cómo leerlo (con intervalo de confianza)

El forest plot es la representación visual estándar de un metaanálisis. Cada fila es un estudio; al final, una fila resume el efecto combinado. Aprender a leerlo es la habilidad práctica más importante de este artículo.

Forest plot de ejemplo: cada cuadrado es la estimación del efecto de un estudio, su tamaño refleja el peso del estudio, las líneas horizontales son los intervalos de confianza y el rombo inferior representa el efecto combinado.

Elementos que hay que mirar, en orden:

1. El cuadrado marca el tamaño del efecto puntual de cada estudio. Su área es proporcional al peso que ese estudio aporta al resultado: cuadrados grandes pesan más.
2. La línea horizontal que atraviesa cada cuadrado es su intervalo de confianza (normalmente al 95 %). Cuanto más larga, menos preciso es el estudio.
3. La línea vertical de "no efecto" es la referencia. Está en 1 para OR, RR o HR, y en 0 para diferencias de medias. Si el intervalo de confianza de un estudio cruza esa línea, ese estudio por sí solo no es estadísticamente significativo.
4. El rombo del fondo representa el efecto combinado de todos los estudios. Su centro es la estimación global y su anchura es el intervalo de confianza del conjunto.

La regla de interpretación es directa: si el rombo no toca la línea de no efecto, el efecto combinado es estadísticamente significativo; si la cruza, no se puede descartar la ausencia de efecto. Conviene además fijarse en hacia qué lado del gráfico apunta el resultado, porque "a la izquierda" o "a la derecha" favorece a un grupo u otro según cómo se haya etiquetado el eje.

El intervalo de confianza, en breve

El intervalo de confianza al 95 % es el rango de valores compatibles con los datos: si repitiéramos el estudio muchas veces, alrededor del 95 % de los intervalos construidos así contendrían el verdadero efecto. En la práctica, un intervalo estrecho indica una estimación precisa y uno ancho, mucha incertidumbre (típico de estudios pequeños). No confundas precisión con magnitud: un efecto puede ser grande y, a la vez, estar mal estimado si su intervalo es enorme.

Heterogeneidad: I², Q de Cochran y qué hacer con ella

La heterogeneidad es la variabilidad entre los resultados de los estudios que va más allá de lo que cabría esperar por simple azar. Es la pregunta central de cualquier metaanálisis: ¿los estudios están midiendo "lo mismo" o estoy promediando cosas distintas?

Para cuantificarla se usan principalmente dos estadísticos:

• Q de Cochran: es una prueba de hipótesis que contrasta si las diferencias entre estudios son mayores de lo esperable por azar. Su problema es la potencia: con pocos estudios apenas detecta heterogeneidad real y con muchos la detecta aunque sea trivial. Por eso no conviene basar la decisión solo en su valor p.
• I²: expresa el porcentaje de la variabilidad total que se debe a heterogeneidad real y no al azar del muestreo. Es el indicador más citado porque no depende tanto del número de estudios. Una guía orientativa habitual:

Estos rangos se solapan a propósito: el I² se interpreta junto con el contexto clínico y la dirección de los efectos, no como un umbral rígido. Un I² alto no invalida automáticamente el metaanálisis, pero obliga a actuar.

¿Qué hacer ante heterogeneidad sustancial? Las opciones razonables son: investigar sus causas mediante análisis de subgrupos (por tipo de población, dosis, calidad del estudio) o metarregresión; usar un modelo de efectos aleatorios (siguiente sección); o, si la variabilidad es clínicamente irreconciliable, renunciar al efecto combinado y describir los estudios narrativamente. Lo que nunca debe hacerse es ignorar un I² elevado y presentar el resumen como si los estudios fueran intercambiables.

Modelos de efectos fijos vs aleatorios

La elección del modelo determina cómo se ponderan los estudios y qué significa exactamente el efecto combinado.

El modelo de efectos fijos asume que existe un único efecto verdadero común a todos los estudios y que las diferencias entre ellos se deben solo al azar del muestreo. Bajo este supuesto, los estudios se ponderan únicamente por su precisión (los grandes dominan). Es defendible cuando los estudios son muy similares y la heterogeneidad es prácticamente nula.

El modelo de efectos aleatorios asume que el efecto verdadero puede variar de un estudio a otro (por diferencias en poblaciones, contextos o protocolos) y que esos efectos se distribuyen alrededor de una media. Incorpora la heterogeneidad entre estudios en el cálculo, lo que ensancha el intervalo de confianza del resultado y da más peso relativo a los estudios pequeños. Suele ser la opción por defecto en biomedicina porque rara vez es realista suponer un efecto idéntico en todos los contextos.

Regla práctica: la decisión debe tomarse a priori según los supuestos, no eligiendo a posteriori el modelo que da el resultado que más gusta. Si hay heterogeneidad apreciable, el modelo de efectos aleatorios es casi siempre la opción honesta.

Sesgo de publicación y el funnel plot

El sesgo de publicación es la tendencia a que los estudios con resultados positivos o estadísticamente significativos se publiquen más, antes y en revistas más visibles que los estudios "negativos". Si tu metaanálisis solo encuentra los estudios publicados, puede estar sistemáticamente sobreestimando el efecto. Es una de las amenazas más serias a la validez de cualquier síntesis y se relaciona con otros sesgos que conviene revisar en la guía de evaluación del riesgo de sesgo.

La herramienta gráfica para explorarlo es el funnel plot (gráfico de embudo). Se representa el tamaño del efecto de cada estudio (eje horizontal) frente a su precisión (eje vertical, normalmente el error estándar). La lógica:

• Los estudios grandes y precisos se sitúan arriba y se agrupan cerca del efecto combinado.
• Los estudios pequeños, más imprecisos, se dispersan en la base.
• Si no hay sesgo, los puntos dibujan un embudo simétrico invertido alrededor del efecto.

Una asimetría del embudo (un "hueco" en la esquina inferior donde deberían estar los estudios pequeños con resultados desfavorables) es la señal de alarma clásica de sesgo de publicación. Para no quedarse en la inspección visual, se usan pruebas estadísticas de asimetría como la prueba de Egger.

Dos advertencias importantes: el funnel plot solo es informativo con un número suficiente de estudios (orientativamente, diez o más), y la asimetría no siempre es sesgo de publicación: también puede deberse a heterogeneidad, a que los estudios pequeños sean de peor calidad o, simplemente, al azar. Es una pista para investigar, no un veredicto.

Con qué software hacerlo

No hace falta programar desde cero para realizar un metaanálisis. Las medidas del efecto, la ponderación, el I² y los gráficos se generan con herramientas específicas, desde interfaces visuales gratuitas hasta paquetes de R. Para una comparativa práctica de las opciones (JASP, jamovi, RevMan de Cochrane y el paquete metafor de R), con sus pros, contras y cuál elegir según tu nivel, consulta la guía dedicada al software para metaanálisis.

Una vez tengas el efecto combinado, recuerda que el metaanálisis no vive aislado: forma parte de la síntesis de una revisión y, cuando se reporta, el número de estudios sintetizados debe cuadrar con el diagrama de flujo PRISMA, mientras que el efecto, su intervalo y el I² van en la sección de resultados del informe.

Antes del metaanálisis está toda la revisión: en revisia la haces de principio a fin, en español. Crea tu cuenta gratis.

Preguntas frecuentes

¿Cuántos estudios hacen falta para un metaanálisis?

No hay un mínimo fijo. Con dos ya es técnicamente posible, pero con muy pocos estudios la estimación es inestable y conviene ser prudente.

¿Qué es el tamaño del efecto?

Es la medida que cuantifica la magnitud de la diferencia o asociación (por ejemplo, odds ratio, riesgo relativo o diferencia de medias), no solo si es significativa.

¿Cuándo no se debe hacer un metaanálisis?

Cuando los estudios son demasiado heterogéneos en población, intervención o medida. En ese caso la síntesis se hace de forma narrativa.

¿Qué diferencia hay entre metaanálisis y revisión sistemática?

La revisión sistemática es el proceso completo y reproducible de buscar, seleccionar, evaluar y sintetizar toda la evidencia sobre una pregunta. El metaanálisis es solo la técnica estadística que combina cuantitativamente los resultados de esos estudios para obtener un efecto único. Todo metaanálisis riguroso parte de una revisión sistemática, pero no toda revisión sistemática incluye un metaanálisis: si los estudios no son combinables, la síntesis se hace de forma narrativa.

¿Qué significa un I² alto?

Un I² alto (orientativamente, por encima del 50-75 %) indica que una parte sustancial de la variabilidad entre los resultados de los estudios se debe a heterogeneidad real, no al azar. En la práctica, sugiere que los estudios pueden no estar midiendo "lo mismo". No invalida automáticamente el metaanálisis, pero obliga a investigar las causas (análisis de subgrupos, metarregresión), a usar un modelo de efectos aleatorios o, si la heterogeneidad es irreconciliable, a renunciar al efecto combinado.

¿Cómo se interpreta un forest plot?

Cada estudio es una fila con un cuadrado (su efecto, con área proporcional a su peso) y una línea horizontal (su intervalo de confianza). El rombo final es el efecto combinado. La clave es la línea vertical de "no efecto", situada en 1 para odds ratio y riesgo relativo, y en 0 para diferencias de medias. Si el intervalo de un estudio (o el rombo final) cruza esa línea, el resultado no es estadísticamente significativo; si no la toca, sí lo es.

¿Qué es el funnel plot?

El funnel plot, o gráfico de embudo, sirve para explorar el sesgo de publicación. Representa el tamaño del efecto de cada estudio frente a su precisión. Si no hay sesgo, los puntos dibujan un embudo simétrico alrededor del efecto combinado. Una asimetría (un hueco donde deberían estar los estudios pequeños con resultados desfavorables) sugiere que faltan estudios negativos sin publicar. La asimetría se confirma con pruebas como la de Egger, y solo es interpretable con un número suficiente de estudios.