El Frankenstein metodológico: desconexión inferencial entre fenómeno clínico y objetivos o hipótesis

Por Maicel Monzon

Introducción

En un ensayo clínico, la pregunta clínica inicial suele surgir de un fenómeno observable: por ejemplo, reducir exacerbaciones en EPOC, prolongar la supervivencia en cáncer o mejorar la calidad de vida tras un procedimiento.

El desafío surge cuando trasladamos esta pregunta clínica a objetivos operativos y hipótesis estadísticas.

Pequeñas decisiones de definición pueden generar una desconexión inferencial sistemática, de modo que el estudio termina midiendo algo distinto de lo que se pretendía entender.

Este post es el Caso 2 dentro de nuestra serie sobre desconexiones inferenciales, enlazando con ER‑01: Datos faltantes

Del fenómeno clínico a los objetivos

Ejemplo conceptual

Fenómeno clínico: “Disminuir la frecuencia de exacerbaciones en pacientes con EPOC”

Pregunta clínica implícita: ¿el tratamiento reduce el número total de exacerbaciones y mejora la salud global?

Ver definiciones operativas de exacerbación y salud global en el ejemplo (Haz clic para ver detalles)

Exacerbación: episodio agudo de empeoramiento clínico en un paciente con EPOC que requiere intensificación del tratamiento (por ejemplo, uso de corticoides sistémicos, antibióticos o ingreso hospitalario).
Salud global: constructo clínico integrado que resume el estado general del paciente, incorporando la carga total de exacerbaciones, la evolución de los síntomas respiratorios, la función pulmonar y la calidad de vida relacionada con la salud, tal como se entiende en la práctica clínica habitual.

Operacionalización a objetivo estadístico mal planteado:

Comparar la proporción de pacientes con al menos una exacerbación en 12 semanas.

Problema:

El objetivo simplifica un fenómeno recurrente a una variable dicotómica.
La frecuencia y severidad de las exacerbaciones quedan ignoradas.
La hipótesis formal puede detectar diferencia estadística sin reflejar un beneficio clínico real para el paciente.

Tipos de desconexión frecuentes

Reducción excesiva del fenómeno
- Ej: medir “evento binario” en lugar de frecuencia o severidad.
Ventanas de tiempo arbitrarias
- Ej: solo primeras 12 semanas, aunque el efecto real se da a las 24 semanas.
Subpoblaciones no alineadas
- Ej: excluir pacientes con comorbilidades relevantes para la práctica clínica.
Supuestos implícitos en hipótesis
- Ej: asumir independencia de eventos recurrentes, ignorando la correlación intraindividuo entre episodios.

Cada elección puede generar que la hipótesis estadística responda a una pregunta distinta de la clínica original.

Simulación ilustrativa: efecto vs. objetivo mal planteado

Vamos a mostrar cómo un objetivo simplificado puede hacer que el efecto clínico parezca menor de lo que realmente es:

Interpretación

Fenómeno real: reducción media de exacerbaciones de 1.66 → 0.52, lo que representa una disminución sustancial de la carga total de eventos por paciente, clínicamente interpretable como menor inestabilidad de la enfermedad.

Objetivo simplificado (≥1 exacerbación): la comparación se limita a la ocurrencia de al menos un evento (0.78 → 0.40), transformando un fenómeno cuantitativo recurrente en un desenlace binario que no distingue entre uno y múltiples episodios clínicos. La señal cambia de naturaleza: pasa de representar una reducción en la carga total de enfermedad a una mera diferencia en la ocurrencia mínima del fenómeno.

Conclusión: la hipótesis estadística basada en un objetivo simplificado puede conducir a interpretaciones parciales o engañosas, mostrando la desconexión inferencial entre fenómeno clínico y formulación operativa de la hipótesis.

Advertencia metodológica: en escenarios con heterogeneidad clínica o con efectos diferenciales sobre la frecuencia y la severidad de los eventos, distintas formas de operacionalizar el mismo fenómeno pueden no solo atenuar la magnitud del efecto observado, sino incluso conducir a conclusiones opuestas sobre qué grupo resulta más favorable. En estos casos, no cambia el fenómeno clínico subyacente, sino la pregunta estadística que se ha decidido formular.

Checklist para alinear objetivos e hipótesis

¿El objetivo operacional captura la esencia del fenómeno clínico?
¿La hipótesis estadística corresponde al objetivo?
¿Se explicitan supuestos sobre población, tiempo y eventos recurrentes?
¿Se analiza la sensibilidad a definiciones alternativas de éxito?
¿Se documenta la distancia entre la pregunta clínica y la formulación operativa?

Conclusión

Pequeñas decisiones en la operacionalización del fenómeno clínico a objetivos y hipótesis pueden producir desconexiones inferenciales tempranas, incluso antes de tocar los datos.

Este post sirve como Caso 2 de nuestra serie:

El Frankenstein Metodológico: cuando la estadística responde otra pregunta → manejo de datos faltantes (desconexión en análisis)
Post 02: formulación de objetivos y hipótesis (desconexión temprana)

Próximos casos cubrirán:

estimando → análisis estadístico
hipótesis → cálculo del tamaño muestral

La idea central: trazar un mapa de cada posible desconexión desde fenómeno clínico hasta análisis final.

Suscripción

Suscríbete a bioestadísticaedu y recibe la serie completa sobre desconexiones inferenciales en ensayos clínicos.

¿Te interesa pensar más allá de los números?

Suscribirse al Boletín en LinkedIn

Bibliografía

International Council for Harmonisation of Technical Requirements for Pharmaceuticals for Human Use (ICH). Addendum on estimands and sensitivity analysis in clinical trials to the guideline on statistical principles for clinical trials E9(R1). Geneva: ICH; 2019. Disponible en: https://database.ich.org/sites/default/files/E9-R1_Step4_Guideline_2019_1203.pdf
Kahan BC, Morris TP, White IR, Carpenter J. The estimands framework: a primer on the ICH E9(R1) addendum. BMJ. 2024;384:e076316. doi:10.1136/bmj-2023-076316
Cro S, Morris TP, Kenward MG, Carpenter JR. Choosing estimands in clinical trials: putting the ICH E9(R1) into practice. Ther Innov Regul Sci. 2020;54(2):324–341. doi:10.1007/s43441-019-00061-x
Altman DG, Royston P. The cost of dichotomising continuous variables. BMJ. 2006;332(7549):1080. doi:10.1136/bmj.332.7549.1080
Royston P, Altman DG, Sauerbrei W. Dichotomizing continuous predictors in multiple regression: a bad idea. Stat Med. 2006;25(1):127–141. doi:10.1002/sim.2331
Cook RJ, Lawless JF. The statistical analysis of recurrent events. New York: Springer; 2007.
Andersen PK, Gill RD. Cox’s regression model for counting processes: a large sample study. Ann Stat. 1982;10(4):1100–1120.
Ioannidis JPA, Greenland S, Hlatky MA, et al. Methodology over metrics: current scientific standards are a disservice to patients and society. J Clin Epidemiol. 2021;138:219–226. doi:10.1016/j.jclinepi.2021.05.018
U.S. Food and Drug Administration (FDA). Multiple endpoints in clinical trials: guidance for industry. Silver Spring (MD): FDA; 2017.
European Medicines Agency (EMA). Guideline on the evaluation of medicinal products for the treatment of chronic obstructive pulmonary disease (COPD). London: EMA; 2012.