Contenido elaborado por el equipo DataMedix.
Revisión metodológica: Lucas Vargas, médico epidemiólogo.
Un estudio puede tener una base de datos limpia, utilizar pruebas estadísticas correctas y producir resultados aparentemente precisos, pero seguir llegando a conclusiones equivocadas si existe sesgo.
El sesgo es un error sistemático que puede alterar la estimación de una frecuencia, asociación o efecto.
No debe confundirse con la variabilidad aleatoria.
1. Sesgo de selección
Ocurre cuando la forma en que las personas ingresan, permanecen o son comparadas dentro del estudio genera grupos que no representan adecuadamente la relación que se desea estudiar.
Ejemplo
Se quiere estimar la prevalencia de síntomas depresivos en todos los estudiantes de medicina, pero la encuesta se distribuye únicamente entre quienes participan en grupos de bienestar psicológico.
La frecuencia encontrada podría diferir de la que existe en toda la población estudiantil.
Otro ejemplo: pérdidas durante el seguimiento
En una cohorte, los pacientes con peor evolución abandonan con mayor frecuencia el seguimiento.
Si estas pérdidas están relacionadas tanto con la exposición como con el desenlace, la estimación puede verse distorsionada.
2. Sesgo de información
Ocurre cuando exposición, desenlace u otras variables se miden incorrectamente.
Puede aparecer por:
- instrumentos inadecuados;
- registros incompletos;
- preguntas ambiguas;
- errores de clasificación;
- diferencias en la forma de medir los grupos.
3. Sesgo de recuerdo
Es especialmente relevante cuando se solicita información sobre exposiciones pasadas.
Ejemplo
En un estudio de casos y controles sobre una malformación congénita, las madres de los casos podrían recordar con mayor detalle medicamentos utilizados durante el embarazo que las madres de los controles.
La capacidad de recordar la exposición puede diferir entre los grupos.
4. Sesgo del entrevistador
Puede aparecer cuando quien recoge la información conoce el estado de exposición o desenlace y realiza preguntas de manera diferente.
Por ejemplo, profundizar más sobre determinadas exposiciones en los casos que en los controles.
Puede reducirse mediante:
- instrumentos estandarizados;
- entrenamiento;
- procedimientos uniformes;
- cegamiento cuando sea posible.
5. Sesgo de medición
Ocurre cuando el instrumento o procedimiento utilizado produce mediciones sistemáticamente diferentes del valor real.
Ejemplos:
- tensiómetro incorrectamente calibrado;
- balanza con error constante;
- definición diagnóstica diferente entre hospitales;
- prueba de laboratorio procesada mediante métodos diferentes.
6. Clasificación incorrecta
Las personas pueden clasificarse de forma equivocada respecto a la exposición o el desenlace.
La clasificación puede ser:
No diferencial
El error ocurre de manera similar entre los grupos.
Diferencial
La probabilidad de error depende del estado de exposición, enfermedad u otra característica.
No debe asumirse automáticamente que toda clasificación no diferencial produce siempre un sesgo hacia el valor nulo; la dirección puede depender de la estructura del problema.
Los diagramas causales también pueden utilizarse para estudiar mecanismos de sesgo de información.
7. Sesgo de detección o vigilancia
Si un grupo es examinado con mayor intensidad que otro, pueden diagnosticarse más eventos simplemente porque fueron buscados con mayor frecuencia.
Ejemplo:
Pacientes que reciben un medicamento específico son sometidos a más pruebas hepáticas que quienes no lo reciben.
Podrían detectarse más alteraciones en el primer grupo incluso si parte de la diferencia corresponde a mayor vigilancia.
8. Sesgo por pérdidas
En estudios longitudinales, abandonar el seguimiento no es necesariamente un problema grave si las pérdidas son pocas y no están relacionadas con exposición y desenlace.
El problema aparece cuando las pérdidas son sistemáticas.
Por eso no basta con informar:
“Se perdió el 15 % de los participantes”.
También debe analizarse quiénes se perdieron y si eran diferentes de quienes completaron el estudio.
¿La confusión es un sesgo?
La confusión suele estudiarse junto con selección e información como una de las principales amenazas para interpretar asociaciones epidemiológicas.
Sin embargo, conceptualmente tiene un mecanismo distinto: surge de la mezcla de efectos entre variables relacionadas con la exposición y el desenlace.
Por eso conviene evaluarla de manera específica.
¿Puede corregirse un sesgo con estadística?
Algunos problemas pueden mitigarse mediante análisis adecuados, pero muchos sesgos deben prevenirse desde el diseño.
Una regresión sofisticada no puede reconstruir información que nunca fue medida correctamente.
Cómo reducir sesgos
Antes de recolectar información:
- define claramente la población;
- utiliza criterios de inclusión reproducibles;
- estandariza las mediciones;
- valida instrumentos cuando sea necesario;
- capacita a quienes recolectan los datos;
- anticipa pérdidas;
- define exposición y desenlace antes del análisis;
- planifica posibles confusores;
- establece procedimientos de control de calidad.
Checklist rápido
Antes de interpretar un estudio pregúntate:
- ¿Quién pudo entrar al estudio?
- ¿Quién quedó fuera?
- ¿Quién abandonó?
- ¿La exposición se midió igual en todos?
- ¿El desenlace se buscó de la misma manera?
- ¿Los registros son completos?
- ¿Algún grupo pudo recordar mejor la exposición?
- ¿Existieron diferencias en seguimiento?
- ¿Existen variables que puedan confundir la asociación?
Conclusión
Los sesgos no son únicamente problemas estadísticos.
Surgen principalmente de cómo se seleccionan los participantes, cómo se mide la información y cómo se conduce el estudio.
Reconocerlos desde el protocolo suele ser mucho más efectivo que intentar corregirlos después.
¿Necesitas revisar posibles sesgos?
En DataMedix podemos revisar tu protocolo, selección de participantes, variables y procedimientos de medición para identificar riesgos metodológicos antes de iniciar el análisis.
Referencias
- Centers for Disease Control and Prevention. Field Epidemiology Manual: Analyzing and Interpreting Data.
- Forrester, J. (2019). The CDC field epidemiology manual.
- Shahar, E. (2009). Causal diagrams for encoding and evaluation of information bias. Journal of evaluation in clinical practice, 15(3), 436-440.
- Suzuki, E., Tsuda, T., Mitsuhashi, T., Mansournia, M. A., & Yamamoto, E. (2016). Errors in causal inference: an organizational schema for systematic error and random error. Annals of epidemiology, 26(11), 788-793.
- Shahar, E. (2025). Analysing Adverse Event Databases: Principles, Challenges, and Examples. Journal of Evaluation in Clinical Practice, 31(5), e70188.
- Noah, N. (2008). The STROBE initiative STrengthening the reporting of OBservational studies in epidemiology (STROBE). Epidemiology & Infection, 136(7), 865-865.
