Curso de Metaanálisis y Revisiones Sistemáticas

Lección 1 • Papel del metaanálisis en la investigación

Explica cómo el metaanálisis agrupa cuantitativamente los resultados de estudios para aumentar la precisión. Conecta la síntesis estadística con el objetivo más amplio de reducir la incertidumbre en un campo.

Lección 2 • Qué es una revisión sistemática

Define las revisiones sistemáticas y las contrasta con las revisiones narrativas y de alcance. Ancla el capítulo estableciendo por qué la reproducibilidad y la transparencia son importantes en la síntesis de evidencia.

Lección 3 • Estándares éticos y de reporte

Presenta las guías de reporte y los requisitos de registro para revisiones sistemáticas. Establece las normas profesionales que los estudiantes deben seguir a lo largo del curso.

Lección 1 • Evaluación del alcance y la factibilidad

Guía un sondeo preliminar de la literatura para estimar la evidencia disponible antes del compromiso total con el protocolo. Evita el desperdicio de recursos en preguntas con literatura insuficiente o excesivamente abundante.

Lección 2 • Marcos estructurados para preguntas

Presenta los marcos PICO, PICOS y SPIDER para descomponer preguntas de investigación. Un encuadre correcto previene la desviación del alcance y asegura que los criterios de elegibilidad sean internamente consistentes.

Lección 3 • Redacción y registro de un protocolo

Cubre la estructura de un protocolo de revisión formal y su envío a registros públicos. El registro fija los métodos antes de la recolección de datos, reduciendo el sesgo de reporte de resultados.

Lección 1 • Identificación de bases de datos relevantes

Mapea las principales bases de datos bibliográficas por disciplina y cobertura. Seleccionar la combinación correcta de fuentes es el primer paso hacia una recuperación exhaustiva.

Lección 2 • Documentación y reporte de búsquedas

Establece estándares para registrar fechas de búsqueda, cadenas de búsqueda y conteos de resultados. La documentación transparente permite la replicación y satisface los requisitos de reporte PRISMA.

Lección 3 • Búsqueda más allá de las bases de datos

Extiende la recuperación a literatura gris, listas de referencias y contactos con expertos. La búsqueda suplementaria reduce el sesgo de publicación de las estrategias basadas solo en bases de datos.

Lección 1 • Diseño de formularios de extracción de datos

Enseña la construcción de formularios estandarizados que capturen las características del estudio y los desenlaces. Los formularios bien diseñados reducen los errores de extracción y aseguran datos consistentes entre revisores.

Lección 2 • Realización y verificación de la extracción

Implementa flujos de trabajo de extracción y verificación dual para minimizar errores de transcripción. Los datos precisos son la base de cálculos metaanalíticos válidos en capítulos posteriores.

Lección 3 • Tamizaje de títulos y resúmenes

Cubre el tamizaje independiente por dos revisores y los procedimientos de resolución de conflictos. El tamizaje sistemático previene tanto la inclusión excesiva como la exclusión inadvertida de estudios elegibles.

Lección 1 • Herramientas para estudios observacionales

Cubre ROBINS-I y la Escala de Newcastle-Ottawa para diseños no aleatorizados. Los estudios observacionales requieren dominios de sesgo diferentes a los ensayos, reflejando los riesgos de confusión.

Lección 2 • Integración de la calidad en la síntesis

Traduce los juicios de sesgo en análisis de sensibilidad y calificaciones de certeza GRADE. La evaluación de calidad moldea la solidez de las conclusiones extraídas de las estimaciones agrupadas.

Lección 3 • Herramientas para ensayos aleatorizados

Aplica la herramienta de Riesgo de Sesgo 2 de Cochrane a ensayos controlados aleatorizados. La evaluación estructurada por dominios reemplaza la calificación subjetiva de calidad para los ECA.

Lección 1 • Modelos de efectos fijos y efectos aleatorios

Contrasta los supuestos y fórmulas de la agrupación por efectos fijos y efectos aleatorios. La elección del modelo refleja supuestos sobre la heterogeneidad entre estudios y afecta la amplitud del intervalo.

Lección 2 • Medidas del tamaño del efecto y cálculo

Cubre razones de odds, razones de riesgo, diferencias de medias y diferencias de medias estandarizadas. Seleccionar la medida de efecto correcta es la primera decisión analítica en cualquier metaanálisis.

Lección 3 • Evaluación y cuantificación de la heterogeneidad

Introduce el estadístico Q, el índice I² y tau² para medir la variabilidad entre estudios. Cuantificar la heterogeneidad determina si la agrupación es apropiada y guía la planificación de subgrupos.

Lección 1 • Análisis de sensibilidad

Prueba la robustez de las estimaciones agrupadas variando sistemáticamente las decisiones analíticas. Los análisis de sensibilidad revelan si las conclusiones dependen de estudios o supuestos específicos.

Lección 2 • Interpretación y reporte de hallazgos

Sintetiza los resultados de heterogeneidad en resúmenes narrativos y tabulares coherentes. La interpretación precisa previene la exageración de los efectos moderadores en la revisión final.

Lección 3 • Principios del análisis de subgrupos

Define subgrupos a priori vs. post hoc y los riesgos del dragado de datos. Los subgrupos preespecificados son la única base defendible para afirmaciones sobre moderadores en una revisión.

Lección 1 • Detección del sesgo de publicación

Cubre gráficos de embudo, prueba de Egger y prueba de Begg para identificar asimetría por reporte selectivo. Detectar el sesgo es esencial antes de interpretar las estimaciones agrupadas como resúmenes no sesgados.

Lección 2 • Metaanálisis de datos de participantes individuales

Explica los enfoques de una etapa y dos etapas utilizando datos a nivel de participante individual. El metaanálisis IPD permite análisis de subgrupos imposibles con datos agregados y reduce el sesgo ecológico.

Lección 3 • Redacción y envío de la revisión

Guía la redacción, revisión por pares y envío a revista de una revisión sistemática completa. La adherencia a PRISMA y a los requisitos específicos de la revista maximiza la aceptación y el impacto.

Lección 4 • Ajuste por sesgo de publicación

Aplica los procedimientos de "trim-and-fill" y modelos de selección para ajustar las estimaciones agrupadas por estudios faltantes. Los métodos de ajuste proporcionan estimaciones corregidas, pero conllevan sus propios supuestos y limitaciones.