Errores metodológicos en tesis de medicina: los más frecuentes y cómo evitarlos
Contenido elaborado por el equipo DataMedix.
Revisión metodológica: Lucas Vargas, médico especialista en Epidemiología.
Muchos problemas de una tesis médica no comienzan durante el análisis estadístico. Se originan desde la pregunta, los objetivos, la selección de participantes o la definición de variables.
Cuando estos errores se identifican tarde, puede ser difícil corregirlos sin modificar el protocolo, recolectar información adicional o limitar las conclusiones.
A continuación encontrarás algunos de los errores metodológicos más frecuentes y una manera práctica de evitarlos.
1. Empezar por una base de datos y no por una pregunta
Tener acceso a historias clínicas no significa que exista una investigación.
Error:
Revisemos qué encontramos en la base.
Enfoque adecuado:
- Formular una pregunta.
- Revisar si la base permite responderla.
- Definir las variables necesarias.
- Evaluar la calidad de los registros.
- Construir un plan de análisis.
Explorar una base puede generar hipótesis, pero debe distinguirse de un estudio planificado.
2. Formular una pregunta demasiado amplia
Error:
Estudiar los factores de riesgo de las enfermedades cardiovasculares.
La pregunta incluye demasiadas poblaciones, exposiciones y desenlaces.
Alternativa:
Evaluar la asociación entre obesidad y hospitalización por insuficiencia cardiaca en adultos atendidos en una institución durante 2026.
3. Falta de coherencia entre pregunta y objetivos
Pregunta:
¿La obesidad se asocia con complicaciones?
Objetivo:
Describir a los pacientes con obesidad.
El objetivo no responde la asociación planteada.
Cada pregunta debe tener un objetivo general correspondiente y cada objetivo debe producir resultados específicos.
4. Elegir incorrectamente el diseño
Errores frecuentes:
- llamar transversal a todo estudio con historias clínicas;
- llamar cohorte a cualquier comparación entre dos grupos;
- llamar casos y controles a toda investigación con enfermos y no enfermos;
- llamar experimental a un estudio porque se comparan tratamientos ya recibidos.
El diseño depende de:
- cómo se seleccionan los participantes;
- cuál es el punto de partida;
- si existe seguimiento;
- si el investigador asigna una intervención;
- cuál es la relación temporal entre exposición y desenlace.
5. Utilizar “retrospectivo” como único nombre del diseño
“Retrospectivo” describe una característica temporal.
No indica por sí solo si el estudio es:
- transversal;
- de cohorte;
- de casos y controles;
- descriptivo;
- analítico.
Una descripción más completa podría ser:
Estudio observacional, analítico, de cohorte retrospectiva.
6. Definir mal la población
Decir “pacientes de una clínica” puede ser insuficiente.
Debe establecerse:
- institución;
- servicio;
- periodo;
- condición clínica;
- edad;
- criterios de selección;
- fuente de información.
Una población mal definida dificulta conocer a quiénes se aplican los resultados.
7. Confundir criterios de inclusión y exclusión
Error:
- Inclusión: mayores de 18 años.
- Exclusión: menores de 18 años.
La exclusión no debería ser simplemente lo contrario de la inclusión.
Los criterios de inclusión definen quiénes pueden participar. Los de exclusión identifican circunstancias que impiden utilizar a una persona que inicialmente cumple los criterios.
8. Utilizar muestreo por conveniencia sin reconocer sus limitaciones
Incluir solo a quienes están disponibles puede producir una muestra diferente de la población objetivo.
En algunos estudios es inevitable, pero debe:
- justificarse;
- describirse;
- analizarse el riesgo de sesgo;
- limitar la generalización.
9. Calcular la muestra sin definir el desenlace principal
El cálculo depende de elementos como:
- objetivo;
- desenlace;
- frecuencia esperada;
- diferencia de interés;
- precisión;
- nivel de confianza;
- potencia;
- diseño;
- pérdidas esperadas.
No existe un único cálculo aplicable a toda tesis.
10. Recolectar demasiadas variables
Agregar variables “por si acaso” puede aumentar:
- datos faltantes;
- errores de digitación;
- tiempo de recolección;
- comparaciones no planificadas;
- modelos inestables.
Cada variable debe relacionarse con:
- un objetivo;
- una hipótesis;
- una posible confusión;
- una necesidad descriptiva;
- un análisis previsto.
11. No operacionalizar las variables
“Obesidad”, “adherencia”, “complicación” o “control adecuado” necesitan definiciones.
Debe especificarse:
- cómo se medirán;
- unidad;
- fuente;
- categorías;
- punto de corte;
- momento de medición.
12. Cambiar definiciones después de observar los resultados
Modificar puntos de corte o desenlaces porque el análisis inicial no fue significativo puede introducir decisiones guiadas por los datos.
Los criterios deben definirse previamente o declararse como análisis exploratorios.
13. Ignorar variables de confusión
Una asociación observada puede explicarse parcial o completamente por otras variables.
Por ejemplo, la relación entre una exposición y mortalidad podría estar influida por:
- edad;
- gravedad;
- comorbilidades;
- acceso a tratamiento.
El ajuste estadístico debe planificarse con fundamento clínico y metodológico.
14. Seleccionar variables únicamente por el valor p
Incluir en un modelo solo las variables con p < 0,05 en análisis bivariados puede excluir confusores relevantes.
La selección debe apoyarse en:
- conocimiento clínico;
- evidencia previa;
- diagramas causales;
- propósito del modelo;
- número de eventos;
- riesgo de sobreajuste.
15. Aplicar pruebas sin revisar sus supuestos
Cada método tiene condiciones.
Por ejemplo:
- independencia de observaciones;
- distribución;
- linealidad;
- proporcionalidad de hazards;
- tamaño esperado de celdas;
- ausencia de colinealidad excesiva.
El software puede producir un resultado aunque el análisis no sea adecuado.
16. Interpretar el valor p como importancia clínica
Un valor p pequeño no indica:
- efecto grande;
- causalidad;
- relevancia clínica;
- calidad metodológica.
Debe interpretarse junto con:
- tamaño del efecto;
- intervalo de confianza;
- diferencia absoluta;
- contexto clínico;
- riesgo de sesgo.
17. Concluir ausencia de efecto porque p > 0,05
La falta de significación puede relacionarse con:
- muestra pequeña;
- alta variabilidad;
- pocos eventos;
- efecto pequeño;
- medición imprecisa.
Debe revisarse el intervalo de confianza.
18. Utilizar lenguaje causal en estudios observacionales
Expresiones como “causó”, “produjo” o “determinó” pueden exceder la capacidad del diseño.
En muchos casos es más adecuado escribir:
- se asoció con;
- se relacionó con;
- presentó mayor frecuencia;
- mostró capacidad predictiva.
19. Ocultar datos faltantes
Es necesario informar:
- cuántos datos faltaron;
- en qué variables;
- por qué podrían faltar;
- cómo se manejaron;
- si pueden introducir sesgo.
Eliminar participantes sin describirlo puede cambiar la muestra analizada.
20. Presentar tablas sin responder los objetivos
Una tesis no mejora por tener muchas tablas.
Cada resultado debe relacionarse con un objetivo.
Las tablas repetidas, sin explicación o sin jerarquía dificultan la interpretación.
21. Redactar conclusiones que no corresponden a los resultados
La conclusión debe responder el objetivo principal.
No debe:
- introducir nuevos resultados;
- generalizar más allá de la población;
- afirmar causalidad injustificada;
- ignorar la incertidumbre;
- recomendar intervenciones no evaluadas.
Checklist antes de aprobar el protocolo y no caer en los más frecuentes errores metodológicos en tesis de medicina
- ¿La pregunta está delimitada?
- ¿Los objetivos son coherentes?
- ¿El diseño corresponde a la pregunta?
- ¿La población está definida?
- ¿Los criterios son aplicables?
- ¿El muestreo está justificado?
- ¿Existe un desenlace principal?
- ¿Las variables están operacionalizadas?
- ¿El tamaño de muestra corresponde al objetivo?
- ¿El análisis está planificado?
- ¿Se consideraron confusores?
- ¿Se anticipó el manejo de datos faltantes?
- ¿Las conclusiones esperadas son compatibles con el diseño?
Conclusión
La mayoría de los errores metodológicos no se corrigen eligiendo una prueba estadística más avanzada.
Se previenen mediante una adecuada alineación entre:
- pregunta;
- objetivos;
- diseño;
- población;
- muestra;
- variables;
- análisis;
- interpretación.
Revisar estos elementos antes de recolectar los datos puede ahorrar tiempo y evitar limitaciones difíciles de solucionar.
¿Quieres revisar la metodología de tu tesis?
En DataMedix evaluamos la coherencia completa de tu proyecto para identificar errores antes de iniciar la recolección o el análisis.
Referencias
- EQUATOR Network. Reporting guidelines for health research.
- von Elm E y colaboradores. STROBE Statement.
- Hopewell S y colaboradores. CONSORT Statement.
- Chan AW y colaboradores. SPIRIT Statement.
- International Committee of Medical Journal Editors. Recommendations for Medical Research.
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA Statement on p-Values: Context, Process, and Purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
