Contenido elaborado por el equipo DataMedix.
Revisión metodológica: Dr. Lucas Vargas, médico epidemiólogo.
Terminar el análisis estadístico no significa haber terminado los resultados.
Una base analizada puede contener decenas de tablas, pruebas estadísticas, gráficos, comparaciones y modelos. Sin embargo, la sección de resultados de una tesis médica no debe convertirse en una transcripción del software estadístico.
Su función es presentar de manera ordenada qué se encontró y cómo esos hallazgos responden a los objetivos de investigación.
La interpretación profunda, comparación con otros autores y explicación de los hallazgos corresponde principalmente a la discusión.
Antes de escribir: vuelve a los objetivos
Una forma práctica de organizar los resultados es revisar uno por uno los objetivos específicos.
Por ejemplo:
Objetivo 1: Caracterizar las variables demográficas y clínicas de la población.
Resultados correspondientes:
- tamaño final de la muestra;
- edad;
- sexo;
- diagnósticos;
- antecedentes;
- características clínicas relevantes.
Objetivo 2: Comparar determinado desenlace entre dos grupos.
Resultados correspondientes:
- frecuencia del desenlace;
- medida resumen en cada grupo;
- diferencia observada;
- medida de asociación o comparación;
- intervalo de confianza;
- valor p, cuando corresponda.
Este enfoque evita uno de los problemas más frecuentes: presentar numerosas pruebas estadísticas que no responden directamente a ningún objetivo.
Paso 1. Describe primero la población estudiada
Antes de mostrar asociaciones o modelos, el lector necesita saber quiénes conformaron la muestra.
Generalmente conviene informar:
- número de participantes inicialmente identificados;
- número finalmente analizado;
- exclusiones relevantes;
- edad;
- sexo;
- variables clínicas principales;
- características necesarias para comprender los análisis posteriores.
Ejemplo:
Se analizaron 127 pacientes. La mediana de edad fue de 48 años (RIC: 35–61), y el 56,7 % correspondió al sexo femenino.
No es necesario incluir en el texto todas las variables que ya aparecen en la tabla.
Paso 2. Decide qué va en texto y qué va en tablas
Una tabla no debería ser seguida por un párrafo que repita cada uno de sus números.
El texto debe resaltar:
- hallazgos principales;
- patrones relevantes;
- diferencias importantes;
- resultados relacionados con los objetivos.
Por ejemplo, si una tabla contiene quince características clínicas, no escribas quince frases repitiéndola.
Mejor:
La hipertensión arterial fue el antecedente más frecuente, seguida de diabetes mellitus. Las demás características clínicas se presentan en la Tabla 1.
El lector puede consultar la tabla para obtener el detalle.
Paso 3. Presenta las variables según su naturaleza
Variables cuantitativas
Si la distribución y el contexto justifican el uso de media:
La edad media fue de 46,3 años (DE: 12,8).
Si se utiliza mediana:
La mediana de estancia hospitalaria fue de 4 días (RIC: 2–7).
No presentes automáticamente todas las variables cuantitativas como “promedio ± desviación estándar”.
La elección debe responder a la distribución, al objetivo y al análisis realizado.
Variables cualitativas
Generalmente se presentan mediante frecuencia absoluta y porcentaje.
Ejemplo:
Se identificaron 73 pacientes con hipertensión arterial (57,5 %).
Siempre que sea posible, presenta tanto el número como el porcentaje.
Paso 4. Presenta comparaciones con algo más que un valor p
Un error frecuente es redactar:
Existieron diferencias significativas entre ambos grupos (p = 0,03).
Esto informa muy poco.
Es mejor mostrar qué ocurrió:
La mediana de estancia hospitalaria fue de 6 días en los pacientes con complicaciones y de 3 días en quienes no presentaron complicaciones; la diferencia entre los grupos fue estadísticamente compatible con una diferencia en la distribución observada (p = 0,003).
Cuando exista una medida de efecto, debe priorizarse.
Por ejemplo:
Los pacientes expuestos presentaron un riesgo 1,42 veces mayor de complicaciones (RR: 1,42; IC 95 %: 1,10–1,83).
El ICMJE recomienda cuantificar los hallazgos y acompañarlos, cuando sea posible, de medidas de incertidumbre como los intervalos de confianza en lugar de depender exclusivamente de valores p.
Paso 5. Mantén una secuencia lógica
Una estructura habitual puede ser:
1. Flujo de participantes
Cuántos fueron identificados, incluidos, excluidos y analizados.
2. Características generales
Descripción demográfica y clínica.
3. Resultado del primer objetivo
4. Resultado del segundo objetivo
5. Resultado del tercer objetivo
6. Análisis ajustado o modelo principal
Esta secuencia permite que el lector comprenda progresivamente el estudio.
Paso 6. Diferencia análisis descriptivo, bivariado y multivariado
No mezcles todos los niveles del análisis.
Descriptivo
Describe la población.
Bivariado
Explora asociaciones o diferencias entre dos variables.
Multivariado
Evalúa simultáneamente diferentes variables y permite obtener estimaciones ajustadas.
Ejemplo:
En el análisis bivariado, la obesidad se asoció con la presencia de complicaciones (OR: 1,94; IC 95 %: 1,20–3,14). Después del ajuste por edad, sexo y diabetes, la asociación disminuyó (OR ajustado: 1,53; IC 95 %: 0,96–2,46).
Aquí el lector puede observar que el resultado cambió después del ajuste.
Paso 7. Usa correctamente tablas y figuras
Cada tabla debe poder comprenderse sin necesidad de regresar varias veces al texto.
Debe incluir:
- número;
- título claro;
- población o contexto;
- nombres de variables;
- unidades;
- medidas utilizadas;
- abreviaturas explicadas;
- notas necesarias.
Evita títulos como:
Tabla 4. Resultados.
Prefiere:
Tabla 4. Asociación entre factores clínicos y complicaciones posoperatorias.
¿Debo escribir “estadísticamente significativo”?
Puede utilizarse cuando forma parte del enfoque previamente definido, pero no debería convertirse en el centro de la interpretación.
No es recomendable dividir automáticamente los resultados entre “significativos” y “no significativos”.
La magnitud del efecto, el intervalo de confianza, la precisión y la importancia clínica aportan información que un valor p aislado no proporciona. La ASA también ha advertido que los valores p no deben utilizarse como una frontera automática entre resultados verdaderos y falsos.
Errores frecuentes al redactar resultados
Repetir todas las tablas
El texto debe complementar las tablas, no duplicarlas.
Interpretar antes de tiempo
“Este resultado probablemente ocurrió porque…”
Eso pertenece a la discusión.
Ocultar resultados no significativos
Si el análisis estaba planificado y responde a un objetivo, debe informarse independientemente del valor p.
Informar únicamente porcentajes
Es preferible:
14 de 32 pacientes (43,8 %).
y no únicamente:
43,8 %.
Informar únicamente valores p
El lector necesita conocer la magnitud y dirección del resultado.
Introducir análisis que no estaban previstos sin explicarlo
Los análisis exploratorios pueden realizarse, pero conviene identificarlos como tales.
Ejemplo de una secuencia de resultados
Se analizaron 184 pacientes, con una mediana de edad de 52 años (RIC: 39–66); el 54,3 % correspondió al sexo femenino.
Las complicaciones se presentaron en 38 pacientes (20,7 %). Su frecuencia fue del 29,4 % entre los pacientes expuestos y del 16,1 % entre los no expuestos.
La exposición se asoció con una mayor frecuencia de complicaciones en el análisis crudo (RR: 1,83; IC 95 %: 1,12–2,99). Después del ajuste por edad, sexo y comorbilidades, la estimación disminuyó a 1,51 (IC 95 %: 0,93–2,45).
Observa que el resultado se presenta sin intentar todavía explicar por qué ocurrió.
Checklist antes de cerrar los resultados
- ¿Cada objetivo tiene resultados correspondientes?
- ¿Está descrita la muestra?
- ¿Las medidas resumen son adecuadas?
- ¿Las tablas tienen títulos claros?
- ¿Se presentan números junto con porcentajes?
- ¿Se informan medidas de efecto?
- ¿Se incluyen intervalos de confianza cuando corresponde?
- ¿Se evita repetir todo el contenido de las tablas?
- ¿Los resultados no significativos también están incluidos?
- ¿Se separaron resultados de discusión?
- ¿Las unidades son consistentes?
- ¿Las abreviaturas están definidas?
Conclusión
Una buena sección de resultados no es necesariamente la que contiene más análisis.
Es aquella que permite comprender:
- quiénes fueron estudiados;
- qué ocurrió;
- qué diferencias o asociaciones se encontraron;
- cuál fue su magnitud;
- cuál es la incertidumbre de las estimaciones;
- cómo responde cada hallazgo a los objetivos.
La estadística produce estimaciones. La redacción debe convertirlas en información comprensible sin exagerar lo que los datos permiten afirmar.
¿Ya tienes el análisis pero no sabes cómo redactarlo?
En DataMedix podemos revisar tus tablas, pruebas estadísticas y objetivos para ayudarte a estructurar una sección de resultados clara, coherente y defendible.
Referencias
- Joo, H., Radnaabaatar, M., & Jung, J. (2026). Large language models and the future of peer-reviewed medical publishing: challenges, editorial responses, and a framework for responsible integration. Journal of Korean Medical Science, 41(29), e306.
- 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.
- Ansari, S., Iqbal, N., Asif, R., Hashim, M., Farooqi, S. R., & Alimoradi, Z. (2024). Social media use and well-being: A systematic review and meta-analysis. Cyberpsychology, Behavior, and Social Networking, 27(10), 704-719.
- Von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., & Vandenbroucke, J. P. (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. The lancet, 370(9596), 1453-1457.
- Hopewell, S., Chan, A. W., Collins, G. S., Hróbjartsson, A., Moher, D., Schulz, K. F., … & Boutron, I. (2025). CONSORT 2025 statement: updated guideline for reporting randomised trials. The Lancet, 405(10489), 1633-1640.
