Definición de Metaanálisis

Metaanálisis

Se lo considera, junto con las revisiones sistemáticas de ensayos controlados aleatorizados, la forma más robusta de evidencia para fundamentar decisiones clínicas, educativas o de política pública. Esa posición privilegiada se debe a que, al integrar los resultados de múltiples estudios, permite superar dos limitaciones de la investigación individual, el tamaño muestral insuficiente —que reduce la capacidad de detectar efectos reales— y la variabilidad de resultados entre estudios que, analizados de manera aislada, pueden arrojar conclusiones contradictorias. No obstante, su fortaleza depende estrictamente de la calidad de los estudios que incluye y del rigor con que se ejecuta cada etapa del proceso, lo que ha dado lugar a una discusión metodológica sobre sus alcances y sus riesgos.

Antecedentes y origen del término

Aunque la práctica de combinar resultados de estudios independientes tiene antecedentes que se remontan al menos hasta Karl Pearson, quien en 1904 integró datos de varios estudios sobre la eficacia de una vacuna contra la fiebre tifoidea para incrementar la potencia estadística de sus conclusiones, el término metaanálisis fue acuñado por el psicólogo y estadístico estadounidense Gene V. Glass en 1976. Lo hizo durante su discurso presidencial ante la American Educational Research Association (AERA) en San Francisco, donde lo definió como el tratamiento estadístico aplicado a los resultados de una colección amplia de investigaciones individuales con el fin de integrar sus hallazgos. La aplicación inaugural que Glass presentó en esa ocasión —y que publicó junto con Mary Lee Smith en el American Psychologist en 1977— abordaba una de las controversias más encendidas de la psicología clínica de la época: si la psicoterapia producía o no efectos beneficiosos medibles. Hans Eysenck había argumentado en 1952 que la evidencia disponible no respaldaba la eficacia de la psicoterapia; Smith y Glass, al sintetizar cuantitativamente los resultados de 375 estudios, concluyeron que el paciente promedio tratado con psicoterapia se encontraba en mejor condición que el 75% de los pacientes no tratados, un hallazgo que reestructuró el debate y demostró el poder de la herramienta.

Eysenck calificó el procedimiento con un juego de palabras despectivo, pero la resistencia inicial no impidió que el método se expandiera con rapidez. En 1985, Larry Hedges e Ingram Olkin publicaron Statistical Methods for Meta-Analysis (Academic Press), que formalizó el marco estadístico del procedimiento y lo dotó de un rigor matemático que facilitó su adopción en las ciencias biomédicas. Desde entonces, el número de metaanálisis publicados ha crecido de forma exponencial: las bases de datos como PubMed registran decenas de miles de publicaciones anuales que emplean esta metodología.

Etapas de construcción de un metaanálisis

Un metaanálisis bien ejecutado sigue una secuencia de pasos estructurados que lo distinguen de una revisión narrativa convencional. En primer lugar, se formula una pregunta de investigación precisa, habitualmente mediante el esquema PICO (Población, Intervención, Comparación, Resultado). A continuación, se realiza una búsqueda exhaustiva de la literatura científica en múltiples bases de datos —Medline, Embase, Cochrane Library, PsycINFO, entre otras—, complementada con la revisión de referencias bibliográficas, actas de congresos y literatura gris (tesis doctorales, informes no publicados), a fin de minimizar el riesgo de sesgo de publicación, es decir, la tendencia sistemática de las revistas científicas a publicar preferentemente estudios con resultados positivos o estadísticamente significativos.

Una vez identificados los estudios elegibles, se extraen los datos cuantitativos relevantes y se calcula un tamaño del efecto estandarizado para cada uno —que puede adoptar diversas formas según el tipo de variable: diferencia de medias estandarizada, odds ratio, riesgo relativo, correlación—. Esos tamaños del efecto individuales se combinan posteriormente en una estimación ponderada global, donde cada estudio recibe un peso proporcional a la precisión de su estimación, generalmente inversamente proporcional a la varianza de sus resultados. En términos simples: los estudios más grandes y con menor dispersión interna pesan más en el cálculo final.

Un aspecto técnico decisivo es la elección entre un modelo de efectos fijos y un modelo de efectos aleatorios. El primero asume que todos los estudios estiman un mismo efecto verdadero y que las diferencias entre ellos se deben exclusivamente al azar muestral. El segundo, más flexible y generalmente más realista, asume que los estudios estiman efectos que varían entre sí —por diferencias en las poblaciones, los contextos, las intervenciones—, e incorpora esa variabilidad como un componente adicional en la estimación. La heterogeneidad entre estudios se evalúa mediante el estadístico I², propuesto por Higgins y Thompson en 2002, que cuantifica el porcentaje de la variación total atribuible a diferencias reales entre estudios y no al azar. Valores de I² superiores al 75% se consideran indicativos de una heterogeneidad elevada que obliga a investigar sus fuentes antes de interpretar la estimación combinada.

Limitaciones y riesgos: el metaanálisis no es infalible

La posición del metaanálisis en la cima de la pirámide de evidencia no lo exime de debilidades significativas. La más citada, y quizás la más peligrosa, es el sesgo de publicación mencionado anteriormente: si los estudios con resultados negativos o no significativos no se publican y, por tanto, no se incluyen en la síntesis, la estimación combinada estará inflada y reflejará un efecto mayor del que realmente existe. Para detectar este problema se utilizan herramientas como el gráfico de embudo (funnel plot), propuesto por Light y Pillemer en 1984, que representa gráficamente la relación entre el tamaño del efecto y la precisión de cada estudio: en ausencia de sesgo, los puntos deben distribuirse simétricamente; una asimetría sugiere que faltan estudios con resultados pequeños o nulos.

Otra limitación frecuente es la combinación de estudios excesivamente heterogéneos, lo que el epidemiólogo Hans Eysenck criticó tempranamente con una analogía que, pese a su hostilidad hacia el método, contenía un punto válido: mezclar estudios muy distintos en un solo promedio puede equivaler a calcular la temperatura promedio de un hospital sumando la del quirófano, la de la morgue y la de la sala de partos. El problema no invalida la herramienta, pero exige que el investigador evalúe rigurosamente si los estudios son lo suficientemente similares en sus características como para que su combinación tenga sentido científico.

Finalmente, un metaanálisis solo puede ser tan bueno como los estudios que lo componen. Si la mayoría de las investigaciones incluidas presentan sesgos metodológicos —asignación no aleatoria, falta de cegamiento, pérdida diferencial de seguimiento—, la síntesis cuantitativa reproducirá y potencialmente amplificará esos sesgos, proporcionando una falsa sensación de certeza. La Colaboración Cochrane, fundada en 1993 por Iain Chalmers y una red de investigadores comprometidos con la medicina basada en la evidencia, ha desarrollado herramientas estandarizadas para evaluar el riesgo de sesgo en los estudios incluidos (Risk of Bias tool), convirtiéndose en la referencia mundial en la producción de revisiones sistemáticas y metaanálisis de alta calidad en el ámbito sanitario.

Impacto y vigencia: del laboratorio a las políticas públicas

El metaanálisis ha transformado la manera en que se toman decisiones en múltiples campos. En medicina, las guías clínicas de organismos como la Organización Mundial de la Salud (OMS) o el National Institute for Health and Care Excellence (NICE) del Reino Unido se fundamentan prioritariamente en revisiones sistemáticas con metaanálisis. En psicología, el metaanálisis permitió resolver —o al menos reencuadrar— debates que habían permanecido estancados durante décadas, como el de la eficacia comparada de los distintos modelos de psicoterapia o el impacto del tamaño de la clase sobre el rendimiento escolar, tema que el propio Glass abordó en School Class Size (SAGE, 1982). En educación, las síntesis de John Hattie —particularmente su obra Visible Learning (Routledge, 2009), que integró más de 800 metaanálisis sobre factores que inciden en el aprendizaje— se convirtieron en un referente para la formulación de políticas educativas, aunque no exentas de críticas metodológicas.

La expansión del método ha sido acompañada por un incremento en la sofisticación de sus variantes. El metaanálisis en red (network meta-analysis) permite comparar simultáneamente múltiples intervenciones aunque no todas hayan sido confrontadas directamente entre sí; el metaanálisis de datos individuales (IPD meta-analysis) trabaja con los datos crudos de cada participante en lugar de los resultados agregados, lo que aumenta la flexibilidad analítica; y los metaanálisis bayesianos incorporan información previa para actualizar las estimaciones a medida que aparecen nuevos estudios.