Contenido elaborado por el equipo DataMedix.
Revisión metodológica: Dr. Lucas Vargas, médico epidemiólogo.
Una tabla estadística puede parecer complicada cuando incluye porcentajes, medianas, intervalos de confianza, odds ratio, valores p y múltiples columnas.
Pero no es necesario comenzar mirando el valor p.
La forma más segura de interpretarla es hacerlo en un orden definido.
Paso 1. Lee el título
El título debería explicar qué contiene la tabla.
Ejemplo:
Asociación entre características clínicas y mortalidad hospitalaria.
Desde ese momento sabemos que probablemente se compararán pacientes según mortalidad y se estudiarán diferentes características.
Paso 2. Identifica la población
Busca:
- número total de participantes;
- número incluido en cada grupo;
- datos faltantes;
- denominadores utilizados.
Una diferencia aparentemente grande puede provenir de muy pocos pacientes.
Por ejemplo:
50 % de mortalidad.
No significa lo mismo si representa:
1 de 2 pacientes
que si representa:
500 de 1.000 pacientes.
Paso 3. Identifica qué representa cada fila y columna
Supongamos:
| Variable | Sin complicación | Con complicación | p |
|---|---|---|---|
| Edad | 44 (32–58) | 61 (48–70) | <0,001 |
| Diabetes | 20 (15 %) | 18 (36 %) | 0,002 |
Antes de interpretar debes entender:
- las filas contienen variables;
- las columnas representan grupos;
- la edad probablemente está expresada como mediana y rango intercuartílico;
- diabetes está expresada como frecuencia y porcentaje.
Paso 4. Identifica la medida utilizada
Una tabla puede mostrar:
- media y desviación estándar;
- mediana y rango intercuartílico;
- frecuencia y porcentaje;
- riesgo relativo;
- odds ratio;
- hazard ratio;
- coeficiente de regresión;
- intervalo de confianza.
No todas se interpretan igual.
Paso 5. Observa primero la magnitud
En el ejemplo anterior:
Edad: 44 frente a 61 años.
Antes de leer el valor p ya sabemos que existe una diferencia observable de 17 años en las medianas.
Después analizamos la evidencia estadística y la precisión.
Paso 6. Interpreta el intervalo de confianza
Si una tabla muestra:
OR: 2,40; IC 95 %: 1,35–4,27.
La estimación puntual indica mayores odds en el grupo estudiado.
El intervalo muestra un rango de valores compatibles con los datos y el modelo utilizado.
Un intervalo amplio implica mayor incertidumbre que uno estrecho.
Paso 7. Mira el valor p al final, no al principio
El valor p no indica:
- cuánto cambia el riesgo;
- cuán importante es clínicamente el hallazgo;
- la probabilidad de que la hipótesis sea verdadera;
- que exista causalidad.
Debe interpretarse junto con el tamaño del efecto y su incertidumbre.
Cómo interpretar una tabla de regresión
Ejemplo:
| Variable | OR ajustado | IC 95 % | p |
|---|---|---|---|
| Edad | 1,04 | 1,01–1,07 | 0,009 |
| Diabetes | 1,72 | 0,91–3,24 | 0,094 |
| Obesidad | 2,15 | 1,19–3,88 | 0,011 |
Edad
OR 1,04 por cada unidad de incremento definida en el modelo.
Si la unidad es un año, las odds aumentan aproximadamente un 4 % por cada año adicional, bajo los supuestos del modelo.
Diabetes
La estimación es 1,72, pero el intervalo incluye 1 y es relativamente amplio.
No deberíamos concluir simplemente:
“La diabetes no tiene ninguna relación”.
Los datos todavía son compatibles con diferentes magnitudes.
Obesidad
La estimación ajustada es de 2,15 y el intervalo se encuentra por encima de 1.
Debe especificarse siempre cuál es la categoría de referencia.
¿Qué significa “Ref.”?
En las variables categóricas, una categoría funciona como referencia.
Por ejemplo:
| IMC | OR |
|---|---|
| Peso normal | Ref. |
| Sobrepeso | 1,30 |
| Obesidad | 2,15 |
Los OR se interpretan respecto a peso normal.
Sin conocer la referencia, el resultado puede interpretarse al revés.
Errores frecuentes
- mirar únicamente los asteriscos;
- ignorar el tamaño de los grupos;
- leer OR como si siempre fuera RR;
- ignorar la categoría de referencia;
- no revisar las unidades;
- confundir media con mediana;
- interpretar p > 0,05 como ausencia demostrada de efecto;
- concluir causalidad a partir de una tabla observacional;
- ignorar si la estimación es cruda o ajustada.
Una regla práctica
Lee una tabla en este orden:
1. Título → 2. población → 3. grupos → 4. medida → 5. magnitud → 6. intervalo de confianza → 7. valor p → 8. contexto clínico.
Conclusión
Interpretar correctamente una tabla requiere comprender qué se midió antes de decidir si un resultado es importante.
Un valor p aislado rara vez cuenta toda la historia.
¿Tienes tablas estadísticas y no sabes qué significan?
En DataMedix podemos ayudarte a revisar tus tablas, comprender las medidas utilizadas y convertir los resultados en una interpretación metodológicamente adecuada.
Referencias
- ICMJE Recommendations. 2026. https://www.icmje.org/news-and-editorials/updated_recommendations_jan2026.html
- Kumar, V., & Dabas, A. (2026). ICMJE Recommendations (2026) on the Use of Artificial Intelligence in Scientific Writing. Indian Pediatrics, 63(6), 457-457.
- Lang, T. A., & Altman, D. G. (2014). Statistical analyses and methods in the published literature: The SAMPL guidelines. Guidelines for reporting Health Research: A User’s manual, 264-274.
- Hutton, B., Wolfe, D., Moher, D., & Shamseer, L. (2017). Reporting guidance considerations from a statistical perspective: overview of tools to enhance the rigour of reporting of randomised trials and systematic reviews. Evidence Based Mental Health, 20(2), 46-52.
- Ordak, M. (2025). Implementation of SAMPL guidelines: Recommendations for improving statistical reporting in biomedical journals. Clinical Medicine, 25(3), 100304.
- Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: the “Statistical Analyses and Methods in the Published Literature” or the SAMPL Guidelines. International journal of nursing studies, 52(1), 5-9.
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: context, process, and purpose. The American Statistician, 70(2), 129-133.
- Di Leo, G., & Sardanelli, F. (2020). Statistical significance: p value, 0.05 threshold, and applications to radiomics—reasons for a conservative approach. European radiology experimental, 4(1), 18. https://link.springer.com/article/10.1186/s41747-020-0145-y
- Andrade, C. (2019). The P value and statistical significance: misunderstandings, explanations, challenges, and alternatives. Indian journal of psychological medicine, 41(3), 210-215.
