Cómo leer un resultado.

Un ejemplo sencillo: empieza por los números

Imagina dos grupos similares de 100 personas seguidos durante el mismo tiempo. Si un evento ocurre en 10 personas de un grupo y en 8 del otro, la diferencia es de 2 personas por cada 100, o 2 puntos porcentuales; respecto a 10 de cada 100 es una reducción relativa del 20%. Son cifras inventadas para explicar el cálculo, no resultados de un tratamiento. La diferencia puede deberse al azar y el ejemplo no informa de daños, otros resultados u otras personas.

Empieza con el resultado

Un criterio de valoración es una medida definida para responder a una pregunta de investigación, a menudo en un momento concreto. Los criterios de valoración primarios y los principales secundarios deben establecerse de antemano. Los resultados exploratorios también pueden planificarse previamente o identificarse después: ayudan a plantear nuevas preguntas, pero no aportan automáticamente una conclusión definitiva. Comprueba qué análisis estaban previstos y si el estudio tuvo en cuenta las comparaciones múltiples. Puede medir cómo se sienten las personas, cómo realizan sus actividades o cuánto sobreviven; también puede ser un resultado de laboratorio o de imagen utilizado como indicador indirecto de un resultado clínico. Un sustituto puede ser útil, pero la mejora en un sustituto no prueba automáticamente que las personas vivan más tiempo o se sientan mejor. Un cambio estadísticamente detectable todavía puede ser demasiado pequeño para importar en la vida cotidiana.234

Efectos absolutos y relativos

Supongamos que durante un año ocurre un acontecimiento no deseado en 20 de cada 100 personas que reciben el tratamiento de comparación y en 10 de cada 100 que reciben el nuevo tratamiento. El riesgo en el grupo de comparación es de 20 por cada 100 y en el nuevo tratamiento de 10 por cada 100. La reducción absoluta es de 10 personas menos por cada 100, o 10 puntos porcentuales; el riesgo relativo es 0,5 y la reducción relativa del riesgo es del 50%.

«El riesgo se redujo a la mitad» y «10 personas menos por cada 100 experimentaron el acontecimiento durante un año» describen los mismos datos hipotéticos, pero la segunda frase hace visibles el riesgo inicial y la magnitud práctica. Si el mismo efecto relativo se aplicara a un riesgo inicial de 2 por cada 100, la reducción absoluta sería de aproximadamente 1 por cada 100. La medida del efecto debe interpretarse junto con el riesgo inicial. La razón de probabilidades u odds ratio no es intercambiable con la razón de riesgos cuando los acontecimientos son frecuentes.15

Mantén visible el periodo de tiempo

Diez acontecimientos por cada cien personas durante una semana no equivalen a diez durante varios años. Un resultado sin el periodo al que se refiere omite parte de lo medido. Lo mismo sucede con una mejoría: un cambio temprano no demuestra que se mantenga. Si hay mediciones repetidas, pregunta si el análisis compara el cambio desde el inicio, el valor en un momento concreto o la evolución a lo largo del tiempo.15

Lee la estimación junto con su incertidumbre

Un intervalo de confianza describe la precisión de una estimación según el modelo estadístico utilizado. En la construcción habitual del 95%, si el mismo diseño y análisis se repitieran muchas veces, alrededor del 95% de los intervalos obtenidos mediante ese procedimiento contendrían el parámetro fijo. No es correcto afirmar que existe una probabilidad del 95% de que este intervalo concreto contenga el valor verdadero. Un intervalo amplio indica que los datos son compatibles con una gama amplia de efectos; uno estrecho indica mayor precisión, aunque la precisión no corrige un diseño sesgado ni una muestra poco representativa.

Para una diferencia de riesgos, un intervalo que incluye cero es compatible con la ausencia de diferencia; para una razón de riesgos, un intervalo que incluye uno es compatible con la ausencia de diferencia en la razón. Un valor p no es la probabilidad de que el tratamiento funcione y no mide el tamaño ni la utilidad del efecto. ICH E9 recomienda usar intervalos de confianza para facilitar la interpretación, pero también hace falta contexto clínico, incluido un rango definido de antemano de efectos que importen a los pacientes.

Un intervalo puede incluir cero y aun así descartar efectos suficientemente grandes para ser importantes, o excluir cero y contener solo efectos demasiado pequeños para resultar útiles. Compáralo con un umbral de diferencia relevante que tenga en cuenta la perspectiva de los pacientes, si existe. Evaluar muchos resultados o repetir análisis puede aumentar la probabilidad de un hallazgo llamativo si el plan no lo tiene en cuenta. Al comparar tratamientos, examina el intervalo de la diferencia o razón entre ellos; comprobar únicamente si se solapan los intervalos de los grupos no es un sustituto fiable.54

Claridad estadística no equivale a importancia práctica

Imagina un ensayo que estima que un tratamiento reduce una puntuación de síntomas en 2 puntos frente al control, con un intervalo de confianza del 95% de 0,5 a 3,5 puntos de reducción. El intervalo excluye cero, por lo que los datos no son compatibles con la ausencia de una diferencia media bajo ese modelo. Pero si pacientes y profesionales habían establecido de antemano que la mejoría mínima perceptible era de 3 puntos, el intervalo todavía incluye efectos inferiores a ese umbral. El resultado respalda una diferencia, pero deja incierta su importancia práctica.

También puede ocurrir lo contrario: una estimación clínicamente relevante puede ser imprecisa porque el estudio es pequeño. Distingue la pregunta estadística —¿hasta qué punto son compatibles los datos con determinados efectos?— de la decisión —¿qué efectos importarían, para quién y con qué costes o riesgos?—.53

Los promedios no describen a cada persona

La media o la mediana resumen un grupo; no significan que cada participante haya experimentado ese cambio. Busca la dispersión de los datos, la proporción de personas que responden, los abandonos y los análisis de subgrupos previstos de antemano. «No se encontró una diferencia estadísticamente significativa» no demuestra que dos tratamientos sean equivalentes. Demostrar equivalencia o no inferioridad requiere un diseño apropiado y un margen justificado, no solo un valor p no significativo.6

Los datos ausentes forman parte del resultado

Averigua cuántos participantes fueron asignados al azar, cuántos aportaron datos del resultado, por qué faltaban datos y si las ausencias diferían entre grupos. Los métodos para tratar resultados ausentes requieren supuestos que normalmente no pueden comprobarse solo con los datos observados.

«Ausente al azar» —missing at random— no significa que los datos ausentes no guarden relación con nada: en sentido estadístico, la probabilidad de que falte un resultado no depende de su valor no observado una vez considerada la información observada incluida en el análisis. Que una persona abandone por un efecto adverso registrado no incumple automáticamente ese supuesto. Si el resultado no observado sigue influyendo en qué datos faltan después de considerar la información observada, el supuesto puede fallar. Examina juntos los abandonos, el análisis principal y los análisis de sensibilidad: un resultado que cambia de forma importante bajo supuestos alternativos plausibles es menos sólido.109

Compara beneficios y daños en los mismos términos

Los beneficios y los daños necesitan definiciones, denominadores y periodos claros. Un síntoma leve frecuente y un acontecimiento grave poco frecuente no pueden reducirse a una sola puntuación sin juicios de valor. Comprueba si los acontecimientos adversos se recogieron activamente, si se informó de su gravedad, de los acontecimientos graves y de las interrupciones del tratamiento, y si el seguimiento fue suficientemente largo para detectar riesgos tardíos. Compara las tasas de ambos grupos y pregunta si el ensayo tenía tamaño suficiente para detectar daños poco frecuentes.

Un acontecimiento adverso es algo no deseado que ocurre durante un tratamiento o una investigación; por sí solo no demuestra que la intervención lo haya causado. Evaluar la causalidad requiere considerar el momento, las tasas de base, el grupo comparador y otras pruebas. Los análisis de seguridad suelen incluir a quienes recibieron al menos una dosis, mientras que los análisis de eficacia pueden usar otra población. El tiempo de exposición y la forma de contar acontecimientos repetidos también afectan a la comparación.111

Cinco preguntas para leer un resultado

¿Qué se midió exactamente y era un resultado importante para los pacientes o un indicador indirecto? ¿A quiénes se incluyó, qué grupos se compararon y cuántas personas aportaron datos? ¿Cuáles son las tasas absolutas de acontecimientos o los valores medios en cada grupo? ¿Durante qué periodo se midió el resultado? ¿Qué precisión tiene la estimación, qué supuestos se hicieron sobre los datos ausentes y los análisis múltiples, y qué daños se observaron? Si esas respuestas no están disponibles, la conclusión honesta puede ser que el resultado es sugerente pero incierto.127