Variables en investigación médica: cómo definirlas, clasificarlas y operacionalizarlas
Contenido elaborado por el equipo DataMedix.
Revisión metodológica: Dr. Lucas Vargas, médico especialista en Epidemiología.
Definir correctamente las variables es uno de los pasos más importantes al construir una tesis, un protocolo o una investigación médica.
No basta con escribir que se estudiarán variables como edad, diagnóstico, tratamiento o mortalidad. Para que una variable pueda recolectarse y analizarse, debe quedar claro qué representa, qué función cumple dentro del estudio, cómo será medida, qué valores puede tomar y de dónde se obtendrá la información.
Una variable mal definida puede producir datos ambiguos, errores en la base de datos, análisis estadísticos inadecuados y resultados difíciles de interpretar.
En esta guía explicaremos cómo identificar, clasificar y operacionalizar las variables de una investigación médica mediante un ejemplo práctico.
¿Qué es una variable en investigación?
Una variable es una característica, condición o atributo que puede tomar diferentes valores entre las personas, procedimientos, muestras, instituciones o unidades analizadas en un estudio.
Algunos ejemplos de variables en investigación médica son:
- edad;
- sexo registrado;
- presión arterial;
- presencia de diabetes;
- tipo de tratamiento;
- número de hospitalizaciones;
- concentración de hemoglobina;
- exposición al tabaquismo;
- tiempo hasta la aparición de un evento;
- respuesta a una intervención.
La misma característica puede cumplir funciones diferentes dependiendo de la pregunta de investigación. Por ejemplo, la presión arterial puede ser el resultado principal de un estudio sobre medicamentos antihipertensivos, pero también puede funcionar como una variable predictora en una investigación sobre enfermedad cardiovascular.
Por eso, las variables no deben seleccionarse solamente porque están disponibles en una historia clínica o en una base de datos. Deben elegirse porque contribuyen a responder la pregunta y los objetivos del estudio.
¿Por qué es importante definir las variables antes de recolectar los datos?
La definición de las variables permite establecer:
- qué información necesita realmente el estudio
- cómo se medirá cada característica
- qué instrumento o fuente de información se utilizará
- cómo se organizará la base de datos
- qué análisis estadístico podrá realizarse
- cómo se interpretarán los resultados
Las recomendaciones STROBE para estudios observacionales señalan que deben definirse claramente los desenlaces, exposiciones, predictores, posibles variables de confusión y modificadores del efecto. También recomiendan especificar las fuentes de información y los métodos utilizados para medir cada variable.
Esto significa que la selección de variables no debería dejarse para el momento en que se empieza a llenar Excel ni para cuando el estadístico recibe la base de datos.
Debe planearse desde la construcción del protocolo.
Clasificación de las variables según su función en el estudio
Una de las formas más útiles de clasificar las variables es identificar el papel que cumplen frente a la pregunta de investigación.
1. Variable de resultado o desenlace
Es la característica que el estudio busca describir, explicar, predecir o modificar.
También suele llamarse:
- variable dependiente
- desenlace
- resultado
- evento de interés
- outcome
Ejemplos:
- mortalidad hospitalaria
- aparición de infección
- presión arterial después de un tratamiento
- duración de la estancia hospitalaria
- puntuación de calidad de vida
- control de una enfermedad
- presencia de complicaciones posoperatorias
En una investigación puede existir un desenlace principal y varios desenlaces secundarios.
Ejemplo
En la pregunta:
¿Existe asociación entre las horas de sueño y el nivel de agotamiento en residentes médicos?
El nivel de agotamiento sería la variable de resultado.
2. Variable de exposición, intervención o predictor
Es la característica principal cuya relación con el desenlace se desea estudiar.
Dependiendo del diseño, también puede llamarse:
- variable independiente
- exposición
- intervención
- factor de riesgo
- factor protector
- predictor
En estudios observacionales suele ser más preciso hablar de exposición o predictor, porque el investigador no necesariamente controla ni asigna esta variable.
Ejemplos:
- tabaquismo
- tratamiento recibido
- índice de masa corporal
- exposición ocupacional
- número de horas de sueño
- adherencia terapéutica
- tipo de procedimiento
- presencia de una mutación
En el ejemplo anterior, el promedio de horas de sueño sería la exposición principal.
La Biblioteca Nacional de Medicina de Estados Unidos explica que la variable dependiente suele representar el desenlace de interés, mientras que las variables independientes corresponden a los factores que pueden relacionarse con ese desenlace.
3. Variables de confusión
Una variable de confusión es un tercer factor que puede distorsionar la asociación observada entre la exposición y el desenlace.
Para considerarla una posible variable de confusión, generalmente debe:
- estar asociada con la exposición
- estar relacionada con el desenlace independientemente de la exposición
- no ser una consecuencia intermedia de la exposición estudiada
La confusión puede hacer que una asociación parezca más fuerte, más débil o incluso diferente de lo que realmente es.
Ejemplo
Supongamos que se estudia la asociación entre horas de sueño y agotamiento en residentes médicos.
Algunas posibles variables de confusión podrían ser:
- número de turnos nocturnos
- año de residencia
- carga asistencial
- presencia de otro empleo
- consumo de estimulantes
- síntomas de ansiedad o depresión
Los residentes con más turnos nocturnos podrían dormir menos y, al mismo tiempo, presentar mayor agotamiento. Si esta variable no se considera, parte de la asociación atribuida al sueño podría deberse realmente a la carga de turnos.
Las variables de confusión deben seleccionarse a partir de la pregunta, el conocimiento clínico, la literatura previa y la relación causal esperada. No deberían escogerse únicamente porque presentaron un valor p menor de 0,05 en un análisis inicial.
4. Modificadores del efecto
Un modificador del efecto es una variable que hace que la magnitud o dirección de una asociación sea diferente entre determinados grupos.
A diferencia de la confusión, la modificación del efecto no es necesariamente un error que deba eliminarse. Puede representar un hallazgo clínico o epidemiológico importante que debe mostrarse.
Ejemplo
La relación entre las horas de sueño y el agotamiento podría ser diferente entre:
- residentes de primer año y residentes de años superiores
- especialidades quirúrgicas y no quirúrgicas
- personas con y sin turnos nocturnos frecuentes
Si la asociación cambia de forma relevante entre estos grupos, el año de residencia, la especialidad o la frecuencia de turnos podrían actuar como modificadores del efecto.
El análisis estratificado y los términos de interacción en los modelos estadísticos son algunas de las herramientas utilizadas para evaluar esta situación.
5. Variables descriptivas o de caracterización
Son variables utilizadas para describir la población estudiada y entender su contexto.
Ejemplos:
- edad
- sexo
- institución
- procedencia
- nivel educativo
- especialidad
- antecedentes clínicos
- tratamiento actual
Aunque algunas de estas variables pueden actuar como predictoras o posibles confusoras, otras solo se utilizan para caracterizar la muestra.
No todas las variables de una base deben entrar automáticamente en un modelo estadístico. Su inclusión depende del objetivo del estudio y del plan de análisis.
Clasificación de las variables según su naturaleza
Además de su función metodológica, las variables pueden clasificarse según el tipo de valores que representan.
Variables cualitativas o categóricas
Representan cualidades, condiciones o categorías.
Cualitativas nominales
Sus categorías no tienen un orden natural.
Ejemplos:
- grupo sanguíneo
- especialidad médica
- tipo de tratamiento
- municipio de residencia
- diagnóstico principal
Cualitativas dicotómicas
Tienen solamente dos categorías.
Ejemplos:
- sí/no
- vivo/fallecido
- expuesto/no expuesto
- con complicación/sin complicación
Aunque suelen codificarse con números como 0 y 1, estos números funcionan como etiquetas y no como cantidades.
Cualitativas ordinales
Sus categorías tienen un orden, pero la distancia entre ellas no necesariamente es uniforme.
Ejemplos:
- dolor leve, moderado o intenso
- estadio I, II, III o IV
- satisfacción baja, media o alta
- clasificación funcional
Variables cuantitativas o numéricas
Expresan cantidades medibles.
Cuantitativas discretas
Generalmente proceden de un conteo y toman valores enteros.
Ejemplos:
- número de consultas
- cantidad de hospitalizaciones
- número de medicamentos
- número de embarazos
- cantidad de lesiones
Cuantitativas continuas
Pueden asumir múltiples valores dentro de un intervalo.
Ejemplos:
- edad medida con decimales
- peso
- talla
- temperatura
- presión arterial
- concentración de glucosa
- tiempo de estancia hospitalaria
Distinguir entre variables categóricas y cuantitativas es importante porque influye en la forma de resumir los datos, elaborar las tablas y seleccionar las pruebas estadísticas.
¿Qué significa operacionalizar una variable?
Operacionalizar una variable significa convertir un concepto general en una característica concreta que pueda observarse, medirse, registrarse y analizarse.
Por ejemplo, escribir únicamente “agotamiento” no es suficiente.
Es necesario precisar:
- qué se entenderá por agotamiento
- qué instrumento permitirá evaluarlo
- qué puntuación se utilizará
- si se analizará como valor numérico o por categorías
- en qué momento se medirá
- quién proporcionará la información
La operacionalización conecta el objetivo del estudio con el instrumento de recolección y con la base de datos.
¿Qué debe contener una tabla de operacionalización?
Aunque el formato puede variar entre universidades, una tabla de operacionalización suele incluir:
| Elemento | Pregunta que responde |
|---|---|
| Nombre de la variable | ¿Qué característica se estudiará? |
| Definición conceptual | ¿Qué significa teóricamente? |
| Definición operacional | ¿Cómo se identificará o medirá en este estudio? |
| Función | ¿Es exposición, desenlace, confusora o descriptiva? |
| Naturaleza | ¿Es cualitativa o cuantitativa? |
| Escala o categorías | ¿Qué valores puede tomar? |
| Unidad de medida | ¿En qué unidad se registra? |
| Fuente de información | ¿De dónde se obtendrá? |
| Instrumento | ¿Cómo se recolectará? |
| Codificación | ¿Cómo aparecerá en la base de datos? |
Ejemplo de operacionalización de variables
Pregunta de investigación:
¿Existe asociación entre el promedio de horas de sueño y el nivel de agotamiento en residentes médicos de una institución hospitalaria?
| Variable | Función | Definición operacional | Naturaleza | Valores o unidad | Fuente |
|---|---|---|---|---|---|
| Nivel de agotamiento | Desenlace | Puntuación obtenida mediante un instrumento validado definido en el protocolo | Cuantitativa | Puntuación total | Cuestionario |
| Horas de sueño | Exposición | Promedio de horas dormidas por noche durante los últimos siete días | Cuantitativa continua | Horas y minutos | Autorreporte |
| Turnos nocturnos | Posible confusora | Número de turnos nocturnos realizados durante el último mes | Cuantitativa discreta | Número de turnos | Registro y autorreporte |
| Año de residencia | Descriptiva o modificadora | Año académico que cursa el participante | Cualitativa ordinal | Primero, segundo, tercero, etc. | Registro institucional |
| Especialidad | Descriptiva o modificadora | Programa de especialización al que pertenece | Cualitativa nominal | Categorías definidas | Registro institucional |
| Edad | Descriptiva o posible confusora | Edad cumplida al momento de la encuesta | Cuantitativa | Años | Autorreporte o registro |
| Consumo de estimulantes | Posible confusora | Consumo reportado de bebidas energizantes u otros estimulantes en un periodo definido | Cualitativa o cuantitativa | Según definición del protocolo | Cuestionario |
Esta tabla todavía necesitaría ajustarse a los objetivos, el instrumento elegido y el plan estadístico definitivo. Sin embargo, permite visualizar cómo pasar de una idea general a información que pueda registrarse en una base de datos.
Cómo elegir las variables de una tesis médica paso a paso
Paso 1. Regresa a la pregunta de investigación
Identifica:
- la población
- la exposición o intervención
- el desenlace
- el periodo
- el contexto del estudio
Paso 2. Revisa el objetivo general
El objetivo general debe mostrar qué relación, frecuencia, diferencia, predicción o efecto se quiere estudiar.
Los verbos del objetivo pueden ayudar a identificar las variables principales.
Paso 3. Define el desenlace principal
Pregúntate:
¿Cuál es el resultado más importante que debe producir esta investigación?
Evita declarar múltiples desenlaces principales sin una justificación clara.
Paso 4. Identifica la exposición o predictor principal
Pregúntate:
¿Qué factor, intervención o característica se relacionará con el desenlace?
Paso 5. Revisa posibles variables de confusión
Consulta:
- literatura previa
- conocimiento clínico
- modelos conceptuales
- opinión de expertos
- diagramas causales, cuando corresponda
Paso 6. Define cómo se medirá cada variable
No escribas solamente “diabetes”, “obesidad”, “adherencia” o “complicaciones”.
Establece:
- criterio diagnóstico
- punto temporal
- instrumento
- unidad
- categorías
- fuente de información
Paso 7. Diseña la tabla antes de crear la base
La tabla de operacionalización debe construirse antes de empezar la recolección de datos.
Después, cada variable aprobada podrá convertirse en una columna de la base y en un campo del instrumento de recolección.
Paso 8. Revisa el plan estadístico
El tipo de variable influye en:
- los estadísticos descriptivos
- las tablas y gráficas
- las pruebas de comparación
- las medidas de asociación
- los modelos de regresión
- la interpretación de los resultados
Por eso, la operacionalización y el análisis estadístico deben planearse de manera coordinada.
Errores frecuentes al definir variables
1. Recolectar todo lo disponible
Incluir todas las variables de una historia clínica no garantiza una mejor investigación. Puede aumentar el trabajo, los datos faltantes y el riesgo de análisis sin una pregunta clara.
2. Confundir conceptos con variables medibles
“Estado de salud”, “calidad de atención” o “gravedad” son conceptos amplios. Se necesita definir cómo serán evaluados.
3. No indicar el momento de medición
Una variable como presión arterial puede tener valores diferentes al ingreso, durante el tratamiento y al egreso.
4. Crear categorías sin justificación
Transformar una variable continua en categorías puede reducir información. Cuando sea necesario categorizarla, deben explicarse los puntos de corte y su fundamento. STROBE recomienda describir cómo fueron tratadas las variables cuantitativas y justificar los agrupamientos empleados.
5. Codificar incorrectamente los datos
Escribir “M”, “masculino”, “Masc.” y “1” para una misma categoría genera inconsistencias.
La codificación debe definirse antes de recolectar la información.
6. Cambiar definiciones durante la recolección
Modificar criterios después de haber empezado puede afectar la comparabilidad entre participantes.
7. Llamar confusora a cualquier variable adicional
Una variable no se convierte en confusora solamente porque esté asociada estadísticamente con el desenlace. Su selección requiere una justificación clínica, epidemiológica y causal.
8. Diseñar la base antes de operacionalizar
Crear primero las columnas en Excel suele conducir a nombres ambiguos, unidades mezcladas y categorías incompletas.
Checklist para revisar las variables de tu investigación
Antes de comenzar la recolección, verifica:
- ¿Cada variable se relaciona con un objetivo?
- ¿Está identificado el desenlace principal?
- ¿Está definida la exposición o predictor principal?
- ¿Se consideraron posibles variables de confusión?
- ¿La definición operacional es clara?
- ¿Se indicó la fuente de información?
- ¿Se estableció el momento de medición?
- ¿Las unidades están definidas?
- ¿Las categorías son mutuamente excluyentes?
- ¿Existe una codificación para la base de datos?
- ¿Se consideraron los posibles datos faltantes?
- ¿Las variables permiten ejecutar el análisis previsto?
Si varias respuestas son negativas, conviene revisar el protocolo antes de empezar a recolectar información.
Preguntas frecuentes
¿Cuántas variables debe tener una investigación médica?
No existe una cantidad universal. El número depende de la pregunta, los objetivos, el diseño, el tamaño de la muestra y el análisis planificado.
La prioridad no es acumular variables, sino recolectar las necesarias para responder el estudio con suficiente rigor.
¿La edad es siempre una variable independiente?
No. Puede ser una variable descriptiva, una exposición, un predictor, una posible confusora o un modificador del efecto, según la pregunta de investigación.
¿Una variable cualitativa puede codificarse con números?
Sí. Por ejemplo, “0 = no” y “1 = sí”. Sin embargo, esos números funcionan como códigos y no necesariamente representan cantidades.
¿Es necesario operacionalizar todas las variables?
Sí, especialmente las variables principales y aquellas que serán analizadas. Incluso características aparentemente simples deben tener una definición clara, una fuente y una forma consistente de registro.
¿La variable dependiente es siempre una enfermedad?
No. Puede ser una puntuación, una medida fisiológica, un evento, una conducta, un tiempo, una complicación o cualquier otro desenlace relacionado con los objetivos.
¿Se pueden modificar las variables después de empezar el estudio?
Algunas modificaciones pueden ser posibles, pero deben evaluarse y documentarse cuidadosamente. Cambiar definiciones, instrumentos o categorías durante la recolección puede introducir errores y afectar la comparabilidad de los datos.
Conclusión
Definir las variables no consiste únicamente en hacer una lista de datos que estarán disponibles.
Una buena variable debe tener:
- una función dentro de la pregunta de investigación
- una definición comprensible
- una forma concreta de medición
- una fuente de información
- una unidad o conjunto de categorías
- una codificación compatible con la base de datos
- una relación clara con el análisis estadístico
Cuando las variables se construyen correctamente desde el protocolo, la recolección es más ordenada, la base de datos tiene mayor calidad y los resultados pueden interpretarse con más claridad.
¿Necesitas revisar las variables de tu investigación?
¿No tienes claro cuáles variables necesitas, cómo operacionalizarlas o si realmente responden a tus objetivos?
En DataMedix revisamos la coherencia entre tu pregunta, objetivos, variables, población, diseño y plan de análisis para ayudarte a construir una metodología clara y viable.
Referencias
- Andrade, C. (2021). A Student’s Guide to the Classification and Operationalization of Variables in the Conceptualization and Design of a Clinical Study: Part 1. Indian Journal of Psychological Medicine, 43(2), 177-179.
- Andrade, C. (2021). A student’s guide to the classification and operationalization of variables in the conceptualization and design of a clinical study: Part 2. Indian Journal of Psychological Medicine, 43(3), 265-268.
- National Library of Medicine. Finding and Using Health Statistics: Dependent and Independent Variables. National Institutes of Health.
- Centers for Disease Control and Prevention. Analyzing and Interpreting Data. Field Epidemiology Manual.
- EQUATOR Network. STROBE Checklist for Cohort, Case-Control and Cross-Sectional Studies.
- von Elm E, Altman D, Egger M et al. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies The Lancet, 370, 1453-1457
