Puntos clave
- Una revisión sistemática es el proceso de identificar, seleccionar y sintetizar la evidencia disponible sobre una pregunta; el meta-análisis es la técnica estadística que combina cuantitativamente los resultados de esa evidencia.
- No toda revisión sistemática incluye meta-análisis, y todo meta-análisis debería estar enmarcado en una revisión sistemática.
- El meta-análisis es apropiado cuando los estudios incluidos son suficientemente homogéneos en población, intervención y outcome; hacerlo con estudios heterogéneos produce resultados misleading.
- La heterogeneidad estadística se mide con I² y la prueba Q de Cochran; valores de I² > 75% indican heterogeneidad sustancial que generalmente desaconseja el meta-análisis.
- PRISMA 2020 cubre ambos tipos de síntesis y tiene extensiones específicas para meta-análisis en red (PRISMA-NMA) y revisiones de diagnóstico (PRISMA-DTA).
Qué es una revisión sistemática
Una revisión sistemática es una síntesis de evidencia que responde a una pregunta de investigación específica mediante un proceso explícito, reproducible y libre de sesgo. Incluye una estrategia de búsqueda preregistrada, criterios de elegibilidad declarados, proceso de selección con doble ciego y evaluación del riesgo de sesgo de los estudios incluidos.
La revisión sistemática puede terminar en una síntesis narrativa (descripción estructurada de los hallazgos sin combinar estadísticamente los resultados) o en un meta-análisis cuando la homogeneidad de los estudios lo permite. La revisión sistemática es siempre el contenedor metodológico; el meta-análisis es una herramienta dentro de ese contenedor.
Qué es un meta-análisis
Un meta-análisis es el análisis estadístico que combina cuantitativamente los resultados de dos o más estudios independientes sobre la misma pregunta de investigación. El producto principal del meta-análisis es el estimado combinado del efecto (una media ponderada de los efectos individuales de cada estudio) y su intervalo de confianza.
La lógica del meta-análisis es que combinar estudios pequeños o con resultados inconsistentes produce un estimado más preciso y potente que cualquier estudio individual. Cuando funciona bien — estudios homogéneos, bien diseñados y sin sesgo de publicación — el meta-análisis proporciona la evidencia más sólida disponible en la jerarquía de evidencia.
Las diferencias clave
| Aspecto | Revisión sistemática | Meta-análisis |
|---|---|---|
| Definición | Proceso de síntesis de evidencia | Técnica estadística de combinación |
| Puede existir sin el otro | Sí (síntesis narrativa) | No (siempre requiere una revisión sistemática) |
| Requiere homogeneidad de estudios | No | Sí |
| Produce estimado numérico combinado | No necesariamente | Sí |
| Requiere software estadístico | No | Sí (RevMan, R, Stata, Comprehensive Meta-Analysis) |
| Puede aplicarse a cualquier diseño de estudio | Sí | No (más apropiado para ECA y estudios observacionales con outcomes definidos) |
Cuándo hacer un meta-análisis: criterios de idoneidad
No todos los conjuntos de estudios son apropiados para meta-análisis. La decisión debe basarse en criterios metodológicos, no en el deseo de producir un número combinado.
Condiciones favorables para el meta-análisis
Homogeneidad clínica: Los estudios incluyen poblaciones similares (mismo rango de edad, mismo estadio de la enfermedad, mismas comorbilidades), la intervención está definida de forma comparable entre estudios y los outcomes se midieron con las mismas escalas o unidades.
Suficiente número de estudios: No existe un mínimo formal, pero con menos de 3 estudios el meta-análisis tiene muy poca potencia para detectar heterogeneidad y los resultados son muy sensibles a las características de cada estudio individual.
Calidad metodológica aceptable: Si la mayoría de los estudios tienen alto riesgo de sesgo (evaluado con RoB 2 para ECA o ROBINS-I para estudios observacionales), combinar sus resultados produce un estimado preciso de un efecto sesgado — peor que no hacer meta-análisis.
Baja heterogeneidad estadística: La heterogeneidad I² por debajo de 50% es generalmente manejable; entre 50% y 75% requiere exploración de fuentes; por encima de 75% el meta-análisis es cuestionable y la síntesis narrativa es preferible.
Señales de que el meta-análisis no es apropiado
- Estudios con outcomes medidos en escalas incomparables sin posibilidad de estandarización
- Variación extrema en la duración del seguimiento entre estudios
- Heterogeneidad I² > 75% sin explicación clínica convincente
- Menos de 3 estudios con resultados disponibles para el outcome primario
- Todos los estudios provienen del mismo grupo de investigación (posible duplicación de datos)
Cómo medir la heterogeneidad
La heterogeneidad estadística entre estudios se evalúa con dos medidas complementarias:
I² de Higgins
I² cuantifica el porcentaje de la variación total entre los estimados de efecto de los estudios que se atribuye a heterogeneidad real (no a azar de muestreo). Fue propuesto por Higgins et al. en el British Medical Journal (doi.org/10.1136/bmj.327.7414.557):
| Valor de I² | Interpretación |
|---|---|
| 0% – 25% | Baja heterogeneidad |
| 25% – 50% | Heterogeneidad moderada |
| 50% – 75% | Heterogeneidad sustancial |
| > 75% | Heterogeneidad considerable |
Prueba Q de Cochran
La prueba Q evalúa si la heterogeneidad observada es estadísticamente significativa (p < 0,10 como umbral, dado el bajo poder de la prueba con pocos estudios). Un valor de Q significativo sugiere heterogeneidad real, pero un valor no significativo no prueba homogeneidad — simplemente no hay suficiente potencia para detectarla.
La práctica recomendada es interpretar I² y Q juntos, no usar ninguno de los dos de forma aislada.
Modelos de efectos fijos vs efectos aleatorios
Cuando se decide hacer meta-análisis, la elección del modelo estadístico depende de los supuestos sobre la fuente del efecto:
Modelo de efectos fijos: Asume que todos los estudios estiman el mismo efecto poblacional subyacente y que la variación entre resultados se debe únicamente al azar de muestreo. Apropiado cuando los estudios son muy homogéneos y hay razones sustantivas para asumir que el efecto es el mismo en todas las poblaciones.
Modelo de efectos aleatorios: Asume que los estudios estiman efectos verdaderos que varían entre sí (cada estudio tiene un efecto "verdadero" propio, y el meta-análisis estima la distribución de esos efectos). Es el modelo más usado en revisiones sistemáticas de salud porque reconoce la variabilidad real entre poblaciones, intervenciones y contextos.
En presencia de heterogeneidad sustancial (I² > 50%), el modelo de efectos aleatorios es más apropiado estadísticamente, aunque también es más conservador (intervalos de confianza más amplios).
Síntesis narrativa: la alternativa cuando el meta-análisis no aplica
Cuando los estudios son demasiado heterogéneos o los datos no permiten la combinación cuantitativa, la síntesis narrativa estructura los hallazgos de forma organizada sin producir un estimado combinado. Una síntesis narrativa bien hecha incluye:
- Tablas descriptivas de las características de los estudios incluidos
- Descripción sistemática de la dirección del efecto (positivo, negativo, nulo) en cada estudio
- Identificación de factores que explican la variabilidad entre resultados
- Evaluación del nivel de certeza de la evidencia (GRADE)
La síntesis narrativa no es un second-best: para algunas preguntas de investigación (intervenciones complejas, poblaciones muy heterogéneas, outcomes cualitativos) es metodológicamente más apropiada que un meta-análisis forzado.
PRISMA 2020 y el meta-análisis
El checklist PRISMA 2020 aplica tanto a revisiones sistemáticas con síntesis narrativa como a aquellas con meta-análisis. Los ítems específicos para meta-análisis incluyen:
- Ítem 13: Descripción de los métodos para la síntesis cuantitativa, incluyendo el modelo estadístico, el método para calcular I² y cómo se manejó la heterogeneidad.
- Ítem 21: Presentación de los forest plots para cada meta-análisis, incluyendo el estimado combinado y su intervalo de confianza.
- Ítem 22: Resultados de las investigaciones de heterogeneidad (análisis de subgrupos, meta-regresión).
- Ítem 23: Evaluación del sesgo de publicación (funnel plot, prueba de Egger o Begg).
Para meta-análisis en red (múltiples tratamientos comparados simultáneamente) existe la extensión PRISMA-NMA. Para meta-análisis de precisión diagnóstica existe PRISMA-DTA.
