Puntos clave
- RevMan es la herramienta oficial de Cochrane para gestionar revisiones sistemáticas y meta-análisis; existe en versión de escritorio (RevMan 5) y en versión web (RevMan Web), con diferencias importantes en flujo y colaboración.
- El meta-análisis en RevMan se estructura en cuatro pasos: crear la revisión, ingresar estudios y datos, elegir el modelo estadístico apropiado, interpretar el forest plot y la heterogeneidad.
- La elección entre modelo de efectos fijos y efectos aleatorios depende de la heterogeneidad esperada entre estudios; cuando hay variabilidad real entre poblaciones o intervenciones, el modelo de efectos aleatorios es más apropiado.
- La heterogeneidad se cuantifica con la estadística I cuadrado y la prueba Q de Cochran; valores de I cuadrado superiores al 50 por ciento sugieren explorar fuentes de heterogeneidad antes de interpretar el efecto combinado.
- El funnel plot y pruebas asociadas como Egger ayudan a detectar sesgo de publicación, aunque su interpretación requiere al menos diez estudios y conocimiento del contexto clínico.
Qué es RevMan y por qué sigue siendo relevante
Review Manager, conocido como RevMan, es el software desarrollado y mantenido por Cochrane para producir revisiones sistemáticas e intervenciones. Su rol histórico ha sido el de estándar de facto para meta-análisis en salud: durante más de dos décadas, las revisiones Cochrane se han elaborado y publicado a través de RevMan, y los forest plots característicos que aparecen en revistas médicas como The Lancet o BMJ son en muchos casos generados directamente con esta herramienta.
Hoy conviven dos versiones. RevMan 5 es la versión clásica de escritorio, disponible para Windows, macOS y Linux, con instalación local y archivos .rm5 que se intercambian por correo o repositorios compartidos. RevMan Web es la nueva versión basada en navegador, con colaboración en tiempo real, almacenamiento en la nube de Cochrane y una interfaz modernizada. Ambas versiones comparten el mismo motor estadístico y la mayoría de las opciones, pero RevMan Web ha añadido funciones de colaboración que la convierten en la opción preferida para equipos distribuidos. La información oficial está en training.cochrane.org/online-learning/core-software/revman.
Acceso a RevMan en 2026
RevMan Web es gratuito para revisiones Cochrane registradas. Para revisiones no Cochrane, requiere suscripción individual o institucional con un coste anual que varía según el plan. RevMan 5 sigue disponible para descarga gratuita en la mayoría de los casos pero ya no recibe actualizaciones funcionales relevantes. Este tutorial cubre los pasos comunes a ambas versiones; donde haya diferencias relevantes lo mencionaremos.
Antes de empezar: requisitos y datos necesarios
Antes de abrir RevMan conviene tener tres cosas listas. Primero, una tabla de extracción con los datos por estudio en el formato apropiado al tipo de outcome. Para outcomes dicotómicos hace falta el número de eventos y el total de participantes en cada brazo. Para outcomes continuos hace falta la media, la desviación estándar y el N de cada brazo. Segundo, la evaluación del riesgo de sesgo ya realizada con la herramienta apropiada al diseño, idealmente RoB 2 para ensayos aleatorizados. Tercero, un protocolo claro con la pregunta PICO y el outcome primario predefinido.
Sin estos tres elementos, abrir RevMan será una experiencia frustrante de ir y venir entre el software y las tablas. Con ellos preparados, una revisión de quince a veinte estudios puede convertirse en un meta-análisis funcional en una jornada.
Paso 1 — Crear la revisión en RevMan
Al iniciar RevMan, la primera acción es crear una nueva revisión o abrir una existente. El asistente pide el título, los autores y el tipo de revisión. Para meta-análisis de eficacia de intervenciones, el tipo es "Intervention Review". RevMan presenta entonces una estructura predefinida con secciones para resumen, antecedentes, métodos, resultados, discusión y conclusiones, alineada con el formato Cochrane.
La sección clave para el meta-análisis es "Data and analyses". Dentro de ella se crean comparaciones, y dentro de cada comparación se crean outcomes que serán las unidades de meta-análisis individual. Por ejemplo, una revisión puede tener la comparación "Intervención A versus control" con tres outcomes: "Reducción del dolor a 4 semanas", "Reducción del dolor a 12 semanas" y "Eventos adversos serios".
Estructurar comparaciones y outcomes
La pregunta que más confunde al principio es cuándo crear una nueva comparación versus un nuevo outcome dentro de la misma comparación. La regla práctica es: una comparación define qué se compara contra qué (Intervención A vs control, Intervención A vs Intervención B), y un outcome dentro de la comparación define qué se mide (dolor, función, eventos adversos). Si la pregunta cambia el contraste (qué se compara), es nueva comparación. Si solo cambia la medida sobre el mismo contraste, es nuevo outcome.
| Estructura | Cuándo usar |
|---|---|
| Comparación nueva | Cambia el grupo experimental o el control |
| Outcome nuevo | Cambia la medida sobre la misma comparación |
| Subgrupo dentro de outcome | Para análisis por estratos sobre el mismo outcome |
Paso 2 — Ingresar estudios y datos
Para cada outcome creado, RevMan permite añadir estudios y los datos correspondientes. La interfaz cambia según el tipo de outcome. Veamos los dos casos más frecuentes.
Outcomes dicotómicos
Un outcome dicotómico mide la ocurrencia o no de un evento (muerte, recaída, curación, evento adverso). RevMan pide cuatro datos por estudio: eventos en el grupo experimental, total en el grupo experimental, eventos en el grupo control, total en el grupo control.
Como ejemplo trabajado, supongamos una revisión sobre profilaxis antibiótica preoperatoria con tres estudios:
| Estudio | Eventos experimental | Total experimental | Eventos control | Total control |
|---|---|---|---|---|
| García 2020 | 12 | 150 | 28 | 148 |
| Pérez 2021 | 18 | 220 | 35 | 215 |
| López 2023 | 7 | 95 | 19 | 98 |
Estos datos se introducen directamente en la tabla de RevMan. La medida de efecto que RevMan calcula por defecto para datos dicotómicos es el Risk Ratio (RR), pero se puede cambiar a Odds Ratio (OR) o Risk Difference (RD) desde las propiedades del outcome.
Outcomes continuos
Un outcome continuo mide una variable numérica (puntuación en escala, presión arterial, peso, glucemia). RevMan pide media, desviación estándar y N para cada brazo. Si el estudio reporta mediana y rango intercuartílico, hay que convertir a media y desviación estándar mediante fórmulas estandarizadas como las descritas por Wan et al. (2014).
| Estudio | Media exp | DE exp | N exp | Media control | DE control | N control |
|---|---|---|---|---|---|---|
| Estudio 1 | 4,2 | 1,8 | 60 | 5,8 | 2,1 | 58 |
| Estudio 2 | 3,9 | 1,5 | 75 | 5,5 | 2,0 | 72 |
| Estudio 3 | 4,5 | 1,7 | 50 | 5,9 | 2,2 | 49 |
Para datos continuos las medidas habituales son Mean Difference (MD) cuando todos los estudios usan la misma escala y Standardized Mean Difference (SMD) cuando los estudios usan escalas diferentes que miden el mismo constructo.
Datos a partir de otros formatos
Cuando los estudios reportan los datos en formatos atípicos (riesgo relativo con intervalo de confianza pero sin números crudos, hazard ratio para análisis de supervivencia, conteos por persona-tiempo), RevMan tiene la opción "Generic Inverse Variance". En esa modalidad se introduce el logaritmo natural del efecto y el error estándar del logaritmo, y RevMan combina los estudios respetando ese formato.
Paso 3 — Elegir el modelo estadístico
La elección entre modelo de efectos fijos y modelo de efectos aleatorios es una de las decisiones metodológicas más debatidas en meta-análisis. RevMan permite ambos y muestra el resultado del modelo elegido por defecto, pero conviene entender la diferencia para justificar la elección en el manuscrito.
Modelo de efectos fijos
El modelo de efectos fijos asume que todos los estudios incluidos estiman el mismo efecto verdadero subyacente, y las diferencias entre estudios se deben solo a error muestral. Es apropiado cuando los estudios son muy similares en población, intervención, comparador y outcome.
Matemáticamente, este modelo asigna mayor peso a los estudios más grandes y más precisos. Su intervalo de confianza tiende a ser estrecho porque no incorpora variabilidad entre estudios.
Modelo de efectos aleatorios
El modelo de efectos aleatorios asume que cada estudio estima un efecto que es parte de una distribución de efectos verdaderos, no un único efecto fijo. Esto refleja que en revisiones reales los estudios incluyen poblaciones, dosis, duraciones y contextos clínicos diferentes, por lo que el efecto verdadero puede variar entre estudios.
Este modelo asigna pesos más equilibrados entre estudios pequeños y grandes y produce intervalos de confianza más amplios que reflejan tanto la incertidumbre intra-estudio como la heterogeneidad entre estudios. Es el modelo recomendado por defecto en la mayoría de las revisiones Cochrane modernas.
| Característica | Efectos fijos | Efectos aleatorios |
|---|---|---|
| Supuesto | Efecto único verdadero | Distribución de efectos |
| Heterogeneidad | Asume nula | Incorpora variabilidad |
| Peso de estudios pequeños | Bajo | Más equilibrado |
| Ancho del IC | Estrecho | Más amplio |
| Apropiado cuando | Estudios muy homogéneos | Heterogeneidad real |
| Recomendación Cochrane actual | Caso específico | Por defecto |
En RevMan, el modelo se cambia desde las propiedades del outcome en la opción "Statistical Method". Las opciones más comunes son Mantel-Haenszel para datos dicotómicos con efectos fijos, Mantel-Haenszel para efectos aleatorios, Inverse Variance para datos continuos y DerSimonian and Laird para efectos aleatorios en Inverse Variance.
Paso 4 — Interpretar el forest plot
Después de ingresar los datos y elegir el modelo, RevMan genera automáticamente el forest plot. Este gráfico es la representación visual clásica del meta-análisis y vale la pena leerlo con detalle porque resume en una sola imagen el resultado completo.
Anatomía del forest plot
Cada fila horizontal del forest plot representa un estudio. La fila contiene un cuadrado (la estimación puntual del efecto en ese estudio), una línea horizontal a través del cuadrado (el intervalo de confianza al 95 por ciento) y el tamaño del cuadrado proporcional al peso del estudio en el meta-análisis. Estudios con mayor N o menor varianza tienen cuadrados más grandes.
La línea vertical central marca el valor nulo del efecto. Para RR y OR el valor nulo es 1; para MD y SMD el valor nulo es 0. Si el intervalo de confianza de un estudio cruza esta línea, el efecto no es estadísticamente significativo en ese estudio individual.
Al final del gráfico aparece el rombo (diamond) que representa el efecto combinado. El centro del rombo es la estimación puntual del meta-análisis y el ancho horizontal del rombo es el intervalo de confianza al 95 por ciento del efecto combinado. Si el rombo cruza la línea vertical, el efecto combinado no es estadísticamente significativo.
Lectura de la dirección del efecto
Por convención, los efectos a la izquierda de la línea vertical favorecen al grupo experimental cuando el outcome es indeseable (mortalidad, recaída). A la derecha favorecen al grupo control. Para outcomes deseables (mejoría funcional, calidad de vida), la convención se invierte. RevMan permite etiquetar manualmente cuál es la dirección "Favors experimental" y cuál es "Favors control" para evitar errores de interpretación.
Paso 5 — Heterogeneidad: I cuadrado y prueba Q
La heterogeneidad cuantifica cuánto varía el efecto entre estudios más allá del azar. RevMan reporta tres estadísticos asociados.
Prueba Q de Cochran
La prueba Q evalúa la hipótesis nula de que todos los estudios estiman el mismo efecto. Un valor p bajo (típicamente menor a 0,10) sugiere rechazar la hipótesis nula y aceptar que hay heterogeneidad. La prueba Q tiene baja potencia con pocos estudios, lo que significa que con cinco a diez estudios puede no detectar heterogeneidad real.
I cuadrado
El I cuadrado es el estadístico más informativo para heterogeneidad. Indica el porcentaje de la variabilidad total que se debe a heterogeneidad entre estudios (en lugar de al azar). Los umbrales orientativos propuestos por el Cochrane Handbook son:
| I cuadrado | Heterogeneidad | Acción |
|---|---|---|
| 0 a 25 por ciento | Posiblemente no importante | Continuar con efectos fijos o aleatorios |
| 25 a 50 por ciento | Moderada | Considerar efectos aleatorios y explorar |
| 50 a 75 por ciento | Sustancial | Explorar fuentes antes de combinar |
| 75 a 100 por ciento | Considerable | Combinar es cuestionable |
Tau cuadrado
Tau cuadrado es la varianza estimada entre estudios bajo el modelo de efectos aleatorios. RevMan lo reporta junto a I cuadrado. Es útil para describir la dispersión absoluta de los efectos verdaderos en su escala original.
Qué hacer ante heterogeneidad alta
Heterogeneidad alta no es razón automática para no combinar, pero sí señala que el efecto combinado puede ser engañoso si no se exploran las fuentes. Las estrategias son tres. Primera, análisis de subgrupos pre-especificados en el protocolo (por edad, por dosis, por gravedad basal). Segunda, meta-regresión cuando hay suficientes estudios para modelar la heterogeneidad en función de variables continuas. Tercera, presentar el rango de efectos sin un estimador combinado, optando por síntesis narrativa estructurada.
La distinción entre cuándo hacer un meta-análisis y cuándo limitarse a síntesis narrativa se discute en detalle en meta-análisis versus revisión sistemática.
Análisis de subgrupos y sensibilidad
RevMan permite definir subgrupos dentro de un outcome para evaluar si el efecto varía según una característica de los estudios o de los participantes. Los subgrupos se definen al crear el outcome y los estudios se asignan a un subgrupo durante el ingreso de datos.
El análisis de subgrupos produce un forest plot con secciones para cada subgrupo y una prueba de interacción que evalúa si el efecto difiere significativamente entre subgrupos. La interpretación de subgrupos debe ser cautelosa: los subgrupos pre-especificados en el protocolo son inferenciales, mientras que los subgrupos post-hoc son exploratorios y deben reportarse como tales.
El análisis de sensibilidad consiste en repetir el meta-análisis excluyendo ciertos estudios para evaluar la robustez del resultado. Las exclusiones más frecuentes son: estudios con alto riesgo de sesgo, estudios pequeños (por ejemplo, N menor que 50), estudios cuyo efecto es un outlier visible en el forest plot. Si el resultado se mantiene estable al excluir estos estudios, la conclusión es robusta. Si cambia sustancialmente, el resultado original debe interpretarse con cautela.
Funnel plot y sesgo de publicación
El sesgo de publicación es la tendencia a publicar más fácilmente estudios con resultados positivos. Si existe, infla el efecto observado en un meta-análisis porque los estudios no publicados con efectos pequeños o nulos están ausentes del cálculo.
El funnel plot es un gráfico de dispersión donde cada estudio aparece como un punto con su efecto en el eje horizontal y una medida de precisión (típicamente el error estándar o el tamaño muestral) en el eje vertical. En ausencia de sesgo, los estudios se distribuyen simétricamente alrededor del efecto combinado, formando un embudo invertido. Una asimetría visible, particularmente con ausencia de estudios pequeños con efectos pequeños, sugiere sesgo de publicación.
RevMan genera el funnel plot automáticamente cuando hay datos suficientes. La guía de Cochrane recomienda interpretar el funnel plot solo cuando hay al menos diez estudios, porque con menos la dispersión visual es ruido estadístico y no señal real.
Pruebas estadísticas asociadas
Más allá de la inspección visual, hay pruebas estadísticas para asimetría del funnel plot. La prueba de Egger es la más usada para datos continuos. La prueba de Begg, basada en correlación de rangos, es alternativa. Para datos dicotómicos hay variantes específicas como la prueba de Peters. Ninguna prueba es definitiva y todas requieren al menos diez estudios para tener potencia razonable.
Ejemplo trabajado completo
Recopilemos los datos del ejemplo de profilaxis antibiótica e interpretemos el resultado.
| Estudio | Eventos exp | N exp | Eventos control | N control | RR estimado |
|---|---|---|---|---|---|
| García 2020 | 12 | 150 | 28 | 148 | 0,42 |
| Pérez 2021 | 18 | 220 | 35 | 215 | 0,50 |
| López 2023 | 7 | 95 | 19 | 98 | 0,38 |
Con estos tres estudios y modelo de efectos aleatorios, RevMan calcula un RR combinado en torno a 0,46 con un intervalo de confianza al 95 por ciento aproximadamente entre 0,33 y 0,64. El I cuadrado en este ejemplo es bajo (menor a 25 por ciento) porque los tres estudios apuntan en la misma dirección con magnitudes similares. La interpretación clínica sería que la profilaxis antibiótica reduce el riesgo del evento en aproximadamente un 54 por ciento, con una estimación estable y poca heterogeneidad.
Si añadiéramos un cuarto estudio con un RR de 1,1 y un intervalo de confianza amplio, el I cuadrado subiría a un rango sustancial y la interpretación del efecto combinado se volvería más cuidadosa.
Exportar resultados y generar el manuscrito
RevMan exporta el manuscrito completo en formato Word y los forest plots como imagen. Para revisiones Cochrane formales, el manuscrito generado sigue automáticamente la estructura Cochrane. Para revisiones no Cochrane, conviene tomar las figuras e integrarlas en el documento maestro del manuscrito en lugar de usar el documento generado completo, que mantiene secciones específicas del estilo Cochrane que pueden no aplicar.
Los forest plots exportados son imágenes de alta resolución adecuadas para publicación. Las leyendas y etiquetas se editan dentro de RevMan antes de exportar.
Limitaciones de RevMan y alternativas
RevMan es excelente para meta-análisis estándar de eficacia de intervenciones pero tiene limitaciones que vale la pena conocer. No soporta nativamente meta-análisis en red (network meta-analysis) ni meta-análisis bayesiano, para los cuales hay que recurrir a paquetes R como netmeta o software dedicado como WinBUGS. La meta-regresión avanzada con múltiples covariables también es limitada y muchos equipos exportan datos a R con paquetes como meta o metafor para análisis más complejos.
Para revisiones que combinan estudios cualitativos y cuantitativos (revisiones mixtas), RevMan no es la herramienta natural. Para revisiones de exactitud diagnóstica hay módulos específicos pero la curva de aprendizaje es mayor.
