biblioGETAFE

Imagina esto: después de meses de analizar y organizar datos, ya tienes lista tu revisión sistemática para enviarla. Pero, justo días antes de enviarla, te topas por casualidad con tres artículos clave que tu estrategia de búsqueda ni siquiera consideró y que cambian todo lo que pensabas. Es el miedo más grande de cualquier bibliotecario: no saber si realmente has encontrado todo lo que hay.

Y es que cuando trabajamos en síntesis de evidencia, la «intuición» del experto o la simple acumulación de años de experiencia no son salvaguardas suficientes. Y por eso es tan necesario la validación de la sensibilidad de la búsqueda de evidencia que transforma una recopilación bibliográfica convencional en un proceso científico reproducible y defendible ante cualquier auditoría metodológica.

Este interesante artículo de Lagisz et al, recientemente publicado, nos da unas pautas de actuación para evaluar la sensibilidad de las estrategias de búsqueda. Analicemos este artículo y su propuesta.

«Recall absoluto» y «recall relativo»

En revisiones sistemáticas se prioriza típicamente «alto «recall» (minimizar pérdida de estudios relevantes), aceptando un descenso de precisión que luego se gestiona con cribado. En el ámbito de la recuperación de información, es teóricamente imposible garantizar un «recall absoluto». Esto se debe a que el universo total de la literatura existente es, por definición, desconocido; no podemos medir lo que no sabemos que existe. Para resolver esta incertidumbre, debemos adoptar el concepto pragmático de «recall relativo« (o sensibilidad).

Cálculo del recall absoluto. Recall (en español, exhaustividad o sensibilidad) es la proporción de documentos relevantes que un sistema consigue recuperar del total de documentos relevantes que existen en la colección para una necesidad de información dada.

Bajo este enfoque, evaluamos nuestra estrategia frente a una muestra representativa y conocida de estudios. Esto nos permite sustituir la subjetividad por una métrica objetiva de rendimiento, optimizando el balance entre la exhaustividad y la manejabilidad de los resultados.

El corazón del proceso es el set de referencia o artículos «semilla«. Un error metodológico crítico es el sesgo circular: diseñar la estrategia de búsqueda y luego seleccionar para el set de validación artículos que esa misma cadena ya encontró. Esto no es más que un sesgo de Confirmación que «engaña» al cálculo con artículos homogéneos, invalidando la prueba de estrés de la estrategia.

Para que este set actúe como un verdadero «estándar de oro», debe ser externo y recolectado mediante mejores prácticas:

• Recolección Temprana: El set debe reunirse estrictamente antes de diseñar la estrategia de búsqueda definitiva.

• Fuentes Diversas: Debe incluir revisiones sistemáticas previas, rastreo de citas (backward/forward tracking), etc.

• Revisión por Expertos: Consulta con especialistas en el área temática para garantizar la representatividad de autores y años.

• Heterogeneidad: Debe reflejar la variedad de terminología y términos controlados del tema para evitar la homogeneidad simplista.

6 Etapas del flujo de trabajo del bibliotecario

Para validar nuestra búsqueda, Lagisz et al., nos sugieren seguir este flujo de trabajo secuencial:
1. Recolección del set de evaluación comparativa («benchmarking»): Define el alcance y reúne los estudios que sean útiles que encuentres, ya sea hablando con expertos o buscando en otras fuentes.
2. Búsqueda de identificadores: Localiza los DOI de cada estudio y combínalos con el operador OR para crear una «cadena de benchmarking» compacta. Si un estudio no aparece por DOI, debe buscarse por título o autor para verificar si la ausencia es real.
3. Personalización del set: Verifica cuáles estudios están indexados en la base de datos actual. Debemos eliminar los estudios no indexados del cálculo para no penalizar injustamente el puntaje de sensibilidad (unfairly lowering the sensitivity score).
4. Ejecución de la búsqueda objetivo: Aplica tú estrategia de búsqueda completa (MeSH, Emtree, palabras clave y lógica booleana) y registra el número total de resultados (hits).
5. Prueba de solapamiento: Cruza ambas cadenas mediante el operador AND en un bloque lógico simple: [Cadena de Búsqueda Objetivo] AND [Cadena del set de evaluación comparativa].
6. Cálculo de sensibilidad: Aplica la fórmula para obtener el «recall relativo» y determina si el resultado inicia un ciclo de mejora.
Cálculo e Interpretación

En una revisión sistemática, buscamos una sensibilidad alta, pero esto suele aumentar el «ruido» (resultados irrelevantes). No existe un umbral universal del 100% por lo que el equipo de revisión debe decidir cuándo la búsqueda es «suficientemente buena».

Fórmula de sensibilidad (recall):

Sensibilidad = (Estudios del set encontrados) / (Total de estudios del set indexados en la base de datos)

Ejemplo práctico: Si su set de referencia consta de 5 artículos indexados en Scopus y su cadena objetivo captura 4 de ellos:

Cálculo: 4 / 5 = 0.8

Resultado: 80% de sensibilidad.

Interpretación: El 20% de la literatura clave es «invisible« para su búsqueda actual, lo que exige una justificación técnica de si ese nivel de riesgo es aceptable o requiere refinamiento.

¿Qué pasa si la sensibilidad es baja?

Si este es nuestro caso, debemos realizar un análisis diagnóstico de los estudios «no capturados» siguiendo esta lista de tareas para el Refinamiento:
- Aislar omisiones: Ejecutar Cadena de Benchmarking NOT Cadena de Búsqueda Objetivo para visualizar exclusivamente los artículos que su estrategia ignoró.
- Análisis de registros: Examinar los campos de título, resumen y términos controlados (encabezamientos de materia) de los estudios perdidos.
- Ajuste de lógica: Incorporar sinónimos detectados o flexibilice los operadores de proximidad y truncamiento.
- Justificación Técnica: Documentar la justificación razonada detrás de cada término añadido para mantener la trazabilidad.
- Revalidación: Repetir el cálculo de sensibilidad hasta alcanzar el equilibrio deseado por el equipo de revisión. Este refinamiento garantiza que la búsqueda final sea un reflejo fiel del estado del arte, cumpliendo con los estándares de transparencia internacional.
Bibliografía

Lagisz M, Yang Y, Young S, Nakagawa S. A practical guide to evaluating sensitivity of literature search strings for systematic reviews using relative recall. Res Synth Methods. 2025 Jan;16(1):1-14. doi: 10.1017/rsm.2024.6.
¿Tu búsqueda bibliográfica es realmente exhaustiva?

–––––––

Feb 9
La ciencia «zombi» que amenaza la práctica clínica

Ya hablamos de «revisiones zombies» en BiblioGetafe, es decir, aquellas cuyos registros de protocolo están abandonados. Ahora hablamos de otros tipos de muertos vivientes: «los artículos zombi» que amenazan la práctica clínica.

La ciencia tiene un mecanismo de autocorrección que es necesario pero no perfecto: la retractación. Cuando se detecta un error grande, una mala práctica o un fraude en un artículo publicado, la revista emite una retractación y el trabajo queda oficialmente “retirado”. Sin embargo, muchos de estos artículos siguen circulando. Continúan siendo citados y aparecen en búsquedas, como si nada hubiera pasado. Es como una ciencia zombi: información que debería estar fuera de circulación, pero que sigue influyendo en el debate científico.

Estudios retractados que se cuelan en revisiones sistemáticas.

El problema se agrava cuando estos estudios se incluyen en revisiones sistemáticas y guías de práctica clínica. Si un estudio retirado se incluye en una revisión, puede contaminar las estimaciones de efecto, alterar las conclusiones y, en última instancia, distorsionar las recomendaciones clínicas y las decisiones de política sanitaria.

Poniendo cifras al problema

Un estudio publicado en JAMA Internal Medicine titulado “Inclusion of Retracted Studies in Systematic Reviews and Meta-Analyses of Interventions” y liderado por Graña Possamai C. (1) analizó hasta qué punto los estudios retractados consiguen infiltrarse en revisiones sistemáticas y metaanálisis, y qué ocurre cuando se eliminan de los cálculos. El equipo partió de un enfoque pragmático: utilizó una herramienta online para localizar revisiones sistemáticas publicadas en 25 de las revistas médicas de mayor impacto que citaban una o más “referencias problemáticas”. Después, verificaron manualmente cuáles de esas referencias eran retractaciones y repitieron los metaanálisis excluyendo los estudios retractados para observar cambios en estimaciones de efecto y en la interpretación de los resultados.

Los hallazgos son difíciles de ignorar:
- En total, se identificaron 61 revisiones sistemáticas con metaanálisis que habían incluido al menos un estudio retractado; de ellas, solo 11 fueron posteriormente republicadas, retractadas o retiradas, quedando 50 para el análisis principal.
- Esas 50 revisiones sistemáticas incluían 62 estudios retractados (58 de ellos llegaron a entrar en al menos un metaanálisis).
- La causa predominante de retractación estuvo relacionada con problemas de datos / integridad de los datos.
- En 13 revisiones, el estudio problemático ya estaba retractado antes de que la propia revisión se publicara: una señal clara de fallo en la verificación de los estudios durante la búsqueda y selección.
- En conjunto, dentro de esas 50 revisiones, 173 metaanálisis incorporaban al menos un estudio retractado.
¿La inclusión de estos estudios retractados altera realmente las conclusiones de la evidencia?

La pregunta clave es si la inclusión de estudios retractados altera realmente lo que concluimos a partir de la evidencia. Y la respuesta del estudio es clara. Cuando los autores repitieron los metaanálisis excluyendo los artículos retractados, la significación estadística cambió en 18 metaanálisis: 15 pasaron de “significativo” a “no significativo”, pero 3 cambiaron en sentido contrario (de “no” a “sí”). Este tipo de giro, sobre todo cuando se pierde significación, puede tener consecuencias directas en cómo se interpreta la utilidad de una intervención.

Ahora bien, el editorial que acompaña al artículo apunta algo aún más interesante: el problema no es solo “si funciona”, sino cuánto parece funcionar. En los 64 metaanálisis que evaluaban resultados primarios, la presencia de estudios retractados modificó la magnitud del efecto de forma nada despreciable: ≥10% en 27 (42%), ≥30% en 16 (25%) y ≥50% en 12 (19%).

No es un problema marginal: se identificaron 50 revisiones que incluían 62 estudios retractados, con 173 metaanálisis afectados. No solo cambia el “sí/no”: al excluir retractados, la significación estadística cambió en 18 metaanálisis (en 15 se perdió la significación).

Y hay un detalle con implicaciones clínicas: esas variaciones en la magnitud del efecto a menudo se desplazaban a favor de la intervención, es decir, podían inflar artificialmente su aparente eficacia.

Si algo deja este análisis es una idea incómoda pero útil: un estudio retractado no siempre “rompe” la conclusión, pero puede empujarla lo suficiente como para cambiar la percepción del beneficio… y con ello, la decisión.

Solución compartida y cómo detectarlo

La solución no recae sobre un único actor: es una responsabilidad compartida, todos los agentes implicados tienen un papel que desempeñar para reducir el impacto de la evidencia retractada en la síntesis.

Los autores de revisiones deben de verificar “estatus de retractación”. Esto no es siempre fácil dado que el estado de retractación no siempre es evidente en las bases de datos bibliográficas.

Aquí es donde tiene sentido apoyarse en recursos externos y de vigilancia (2), por ejemplo: Retraction Watch Database (https://retractionwatch.com/), Problematic Paper Screener específicamente su detector «Feet of Clay» (https://dbrech.irit.fr/pls/apex/f?p=9999%3A31) y la revisión post-publicación en PubPeer (https://pubpeer.com). Otra posibilidad es aprovechar las funciones de notificación de retractaciones integradas en herramientas como Zotero o EndNote, que se alimentan de la base de datos de Retraction Watch.

Detector «Feet of Clay» (https://dbrech.irit.fr/pls/apex/f?p=9999%3A31)

Es igualmente recomendable que los autores realicen una nueva evaluación de los estudios incluidos justo antes de la publicación definitiva de la revisión para detectar cambios de estatus recientes.

Otras posibilidades sería que los autores creasen alertas automáticas en las bases de datos que les notificaran de aquellos artículos que han citado cuando este es retractado.

PubPeer (https://pubpeer.com)

Las guías metodológicas de síntesis de evidencia deben recomendar formalmente la “detección de retractaciones” con estrategias específicas; así se podría incluir en las listas de verificación PRISMA (3).
A nivel de postpublicación, si un estudio incluido en una revisión es retractado después de su publicación, las revistas deben añadir correcciones o notificar a los lectores y, cuando sea factible, recomendar realizar un reanálisis del metaanálisis excluyendo el estudio retractado para evaluar si los resultados y las conclusiones se mantienen (3).

La prevención es posible: verificación sistemática + herramientas de alerta + mejor señalización editorial.

Por último, herramientas de cribado especializadas como Covidence o Rayyan podrían incluir una funcionalidad para asegurar que el estatus de retractación sea reconocible.

Hacia una evidencia más robusta y fiable

El crecimiento sostenido de las retractaciones, que superó el umbral récord de 10.000 en 2023 (4), es un desafío directo para la integridad de la evidencia científica. La parte más preocupante no es la retractación en sí, sino su “vida posterior”, es decir, artículos que deberían quedar fuera del corpus siguen circulando, se citan, se reanalizan y pueden acabar contaminando revisiones sistemáticas, metaanálisis y, por extensión, guías de práctica clínica.

Es una responsabilidad compartida de investigadores, editores, plataformas y también de los bibliotecarios que sostenemos los flujos de búsqueda, verificación y síntesis de la evidencia el mitigar este problema. Hay que ir más allá con soluciones y asumiendo que «retractado» no significa automáticamente «inofensivo».

Bibliografía
1. Grana Possamai C, Cabanac G, Perrodeau E, Ghosn L, Ravaud P, Boutron I. Inclusion of Retracted Studies in Systematic Reviews and Meta-Analyses of Interventions: A Systematic Review and Meta-Analysis. JAMA Internal Medicine. 2025;185(6):702-9, doi: 10.1001/jamainternmed.2025.0256.
2. Gross CP., Flanagin A., Perencevich EN., Inouye SK. Mitigating the Impact of Retracted Studies in the Medical Literature. JAMA Intern Med. 2025;185(6):621, doi: 10.1001/jamainternmed.2025.0251.
3. Bakker C, Boughton S, Faggion CM, Fanelli D, Kaiser K, Schneider J. Reducing the residue of retractions in evidence synthesis: ways to minimise inappropriate citation and use of retracted data. BMJ Evid Based Med. 2024 Mar 21;29(2):121-126. doi: 10.1136/bmjebm-2022-111921.
4. Van Noorden R. More than 10,000 research papers were retracted in 2023 – a new record. Nature. 2023 Dec;624(7992):479-481. doi: 10.1038/d41586-023-03974-8.
Preguntas frecuentes

¿Cómo saber si un artículo está retractado?
Comprueba el estatus en la base de datos donde lo localizaste (p. ej., registros con etiqueta de retractación) y contrástalo con recursos externos de vigilancia.

¿Qué pasa si un estudio retractado entra en un metaanálisis?
Puede cambiar la significación de resultados y, sobre todo, alterar la magnitud del efecto (el “cuánto funciona”), con impacto potencial en conclusiones y recomendaciones.

¿Qué herramientas ayudan a detectar retractaciones durante una revisión?
Útiles en la práctica: Retraction Watch, Problematic Paper Screener, PubPeer y alertas/avisos en gestores de referencias como Zotero (si el registro está identificado de forma compatible).

¿Basta con que el artículo esté retractado para “desactivarlo”?
No. El problema es la “vida posterior”: puede seguir citándose, entrar en síntesis y permanecer en resúmenes si no se verifica y corrige “aguas abajo”.

¿Qué pueden hacer las revistas/editoriales para reducir el daño?
Señalización inequívoca del estatus, metadatos coherentes y prácticas consistentes de comunicación de retractaciones (para que se vean claramente en cualquier buscador/basedatos).
Estudios retractados en revisiones sistemáticas: el sesgo invisible que puede cambiar conclusiones

–––––––

Feb 3

PRISMA 2020 declara explícitamente que no es para guiar la conducción de la revisión ni para evaluar calidad metodológica.

¿Puedo citar PRISMA 2020 como metodología? No, es una guía de reporte (y por qué importa)

Muchos investigadores confunden realizar una revisión sistemática con reportarla. Piensan que completar un checklist al final es un “seguro de calidad”, pero PRISMA 2020 no funciona así: no es un trámite de última hora, sino un estándar para hacer transparente lo que se hizo y lo que se encontró.

El Gran Malentendido: reporte vs. metodología

En artículos es frecuente leer “seguimos PRISMA” como si describiera cómo se ejecutó la revisión. El problema es conceptual: PRISMA 2020 es una guía de reporte, no una guía metodológica para “hacer” revisiones. De hecho, PRISMA 2020 declara explícitamente que no pretende guiar la conducción de la revisión ni evaluar su calidad metodológica. Esta confusión alimenta malas prácticas (y revisiones “bien contadas” pero débilmente ejecutadas).

La **Declaración PRISMA 2020** no es un trámite burocrático de última hora; es un cambio de paradigma hacia la transparencia total.

Analogía culinaria

La Metodología es la «receta»: El procedimiento detallado (Cochrane, JBI) sobre cómo se diseña y ejecuta la revisión.

PRISMA son los «ingredientes»: La información mínima que debe mostrar la revisión sistemática que permite a otros entender, evaluar y reproducir tu trabajo.

Una revisión puede “cumplir PRISMA” y aun así ser metodológicamente débil si el diseño y la ejecución fueron inadecuados.

Un reporte que cumpla todos los ítems de PRISMA puede seguir siendo «metodológicamente incomestible» si el diseño original es sesgado.

Qué es PRISMA y qué incluye (componentes):

PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) es una guía para informar/reportar/comunicar una revisión sistemática, pero NO es una recomendación de cómo hacer una revisión sistemática.

PRISMA 2020 incluye, entre otros componentes:

Checklist de 27 ítems.
Diagramas de flujo (plantillas para revisiones originales y actualizaciones).
Documento de Explanation & Elaboration con explicación y ejemplos por ítem.
Extensiones (PRISMA for Abstracts; PRISMA for Acupuncture; PRISMA for Chinese Herbal Medicines; PRISMA for Complex Interventions; PRISMA-COSMIN for Outcome Measurement Instruments; PRISMA for Diagnostic Test Accuracy; PRISMA for EcoEvo; PRISMA Equity; PRISMA Harms; PRISMA Individual Participant Data; PRISMA for Living Systematic Reviews; PRISMA Moxibustion; PRISMA for Network Meta-Analyses; PRISMA for Protocols; PRISMA for Scoping Reviews; PRISMA Search)

Extensión	Acrónimo	Enlace
PRISMA-Equity	PRISMA-E	https://www.prisma-statement.org/equity (PRISMA statement)
PRISMA 2020 for Abstracts	—	https://www.prisma-statement.org/abstracts (PRISMA statement)
PRISMA for Protocols	PRISMA-P	https://www.prisma-statement.org/protocols (PRISMA statement)
PRISMA for Network Meta-Analyses	PRISMA-NMA	https://www.prisma-statement.org/nma (PRISMA statement)
PRISMA-IPD	PRISMA-IPD	https://www.prisma-statement.org/ipd (PRISMA statement)
PRISMA-Harms	PRISMA-Harms	https://www.prisma-statement.org/harms (PRISMA statement)
PRISMA-DTA	PRISMA-DTA	https://www.prisma-statement.org/dta (PRISMA statement)
PRISMA-ScR	PRISMA-ScR	https://www.prisma-statement.org/scoping (PRISMA statement)
PRISMA-Search	PRISMA-S	https://www.prisma-statement.org/prisma-search (PRISMA statement)

El listado completo de extensiones en la web oficial https://www.prisma-statement.org/extensions

Para qué sirve (y por qué importa)

PRISMA 2020 ayuda a:

Reducir “cajas negras”: obliga a explicitar elementos que antes se omitían (p. ej., estrategias completas, herramientas, disponibilidad de datos/código).
Aumentar transparencia: deja rastro de decisiones clave (fuentes, selección, extracción, síntesis).
Mejorar reproducibilidad: facilita replicar/actualizar la revisión, incluida la búsqueda.
Facilitar evaluación crítica: permite a editores y lectores valorar lo que se hizo y sus limitaciones.

Uso recomendado: no “rellenar casillas” al final, sino usar PRISMA como mapa de documentación desde el protocolo.

Qué NO es PRISMA 2020

PRISMA 2020 no es:

Una guía para diseñar y ejecutar la revisión (eso corresponde a manuales metodológicos y a un protocolo).
Un sello de calidad metodológica: cumplir ítems no elimina sesgos ni garantiza una síntesis apropiada.
Un instrumento de riesgo de sesgo (RoB 2, ROBINS-I, QUADAS-2, etc.).

Cómo usar PRISMA 2020 bien

Desde el protocolo: define pregunta, criterios, outcomes, comparadores y plan de síntesis a priori (para protocolos, PRISMA-P).
Búsqueda reproducible: estrategias completas, fechas, interfaces, límites, deduplicación (PRISMA-S).
Selección trazable: quién cribó, cómo se resolvieron discrepancias y diagrama PRISMA.
Herramientas/automatización: si se usaron, describir cuáles y cómo afectaron decisiones.
No confundir reporte con validación: además del checklist, riesgo de sesgo y certeza de la evidencia.

Aclaración técnica para el diagrama de flujo PRISMA 2020

Para que los números “cuadren”, hay que dominar la jerarquía terminológica:

Record (registro): título/resumen indexado.
Report (documento): el “contenedor” (artículo, preprint, tesis, registro, etc.).
Study (estudio): la investigación; puede tener múltiples reports.

Además, el ítem 16b exige citar los estudios que “podrían parecer elegibles” y explicar por qué se excluyeron tras texto completo.

Malas utilizaciones frecuentes

Decir seguimos PRISMA como sinónimo de metodología;
Completar el checklist al final como ‘sello de calidad’:
Diagrama de flujo que no cuadra (por no distinguir record/report/study);
No reportar estrategias completas (o solo una);
No explicar exclusiones a texto completo (ítem 16b).

¿Es PRISMA la única guía de reporte? NO

¿Y entonces, qué guías metodológicas debo seguir para mi revisión?

En la tabla vemos los consorcios internacionales y organizaciones nacionales que proporcionan guías metodológicas para el desarrollo de síntesis de evidencia.

Organización	Web
Cochrane	`https://www.cochrane.org`
JBI	`https://jbi.global/`
National Institute for Health and Care Excellence (NICE)	`https://www.nice.org.uk/`
Scottish Intercollegiate Guidelines Network (SIGN)	`https://www.sign.ac.uk/`
Agency for Healthcare Research and Quality (AHRQ)	`https://www.ahrq.gov/`

En la siguiente tabla encontrarás las principales guías disponibles según el tipo de revisión:

Tipo de revisión / síntesis	Cochrane (guía metodológica)	JBI (guía metodológica)
Intervenciones	https://www.cochrane.org/authors/handbooks-and-manuals/handbook/current	https://jbi-global-wiki.refined.site/space/MANUAL/355827955 (jbi-global-wiki.refined.site)
Exactitud diagnóstica (DTA)	https://www.cochrane.org/learn/courses-and-resources/cochrane-methodology/diagnostic-test-accuracy-dta-reviews	—
Pronóstico	https://www.cochrane.org/learn/courses-and-resources/cochrane-methodology/systematic-review-prognosis-studies	—
Cualitativa	https://www.cochrane.org/authors/handbooks-and-manuals/handbook/current/chapter-21	https://jbi-global-wiki.refined.site/space/MANUAL/355860482/3.%2BSystematic%2Breviews%2Bof%2Bqualitative%2Bevidence (jbi-global-wiki.refined.site)
Métodos mixtos	—	https://jbi-global-wiki.refined.site/space/MANUAL/355829175/8.%2BMixed%2Bmethods%2Bsystematic%2Breviews (jbi-global-wiki.refined.site)
Evidencia textual (narrativa/opinión/política)	—	https://jbi-global-wiki.refined.site/space/MANUAL/355861531/5.%2BSystematic%2Breviews%2Bof%2Btextual%2Bevidence%3A%2Bnarrative%2C%2Bexpert%2Bopinion%2Bor%2Bpolicy (jbi-global-wiki.refined.site)
Overviews	https://www.cochrane.org/authors/handbooks-and-manuals/handbook/current/chapter-v	—
Etiología y riesgo	—	https://jbi-global-wiki.refined.site/space/MANUAL/355598596/7.%2BSystematic%2Breviews%2Bof%2Betiology%2Band%2Brisk
Umbrella reviews	—	https://jbi-global-wiki.refined.site/space/MANUAL/355829653/9.%2BUmbrella%2Breviews
Scoping reviews	—	https://jbi-global-wiki.refined.site/space/MANUAL/355862497/10.%2BScoping%2Breviews

En resumen: ¿Puedo citar PRISMA como metodología para mi revisión?La respuesta es no: PRISMA (incluido PRISMA 2020) es una guía de reporte, no un manual metodológico para diseñar y ejecutar una revisión. Del mismo modo, PRISMA-ScR proporciona criterios para reportar una revisión de alcance, no instrucciones para llevarla a cabo.

PRISMA no garantiza calidad por sí solo, pero sí garantiza algo imprescindible: que otros puedan ver con claridad qué hiciste, juzgarlo y reproducirlo.

No solo facilita la labor editorial; también protege la calidad y la confianza del conocimiento que, en última instancia, impactará en la práctica clínica y en los pacientes.

PRISMA no te dice cómo hacerlo bien; te obliga a enseñar qué hiciste. Y esa diferencia es la frontera entre transparencia y apariencia.

Bibliografía

Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, Shamseer L, Tetzlaff JM, Akl EA, Brennan SE, Chou R, Glanville J, Grimshaw JM, Hróbjartsson A, Lalu MM, Li T, Loder EW, Mayo-Wilson E, McDonald S, McGuinness LA, Stewart LA, Thomas J, Tricco AC, Welch VA, Whiting P, Moher D. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021 Mar 29;372:n71. doi: 10.1136/bmj.n71.

Page MJ, Moher D, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. PRISMA 2020 explanation and elaboration: updated guidance and exemplars for reporting systematic reviews. BMJ. 2021;372:n160. doi:10.1136/bmj.n160.

Sarkis-Onofre R, Catalá-López F, Aromataris E, Lockwood C. How to properly use the PRISMA Statement. Syst Rev. 2021;10(1):117. doi:10.1186/s13643-021-01671-z.

Rethlefsen ML, Kirtley S, Waffenschmidt S, Ayala AP, Moher D, Page MJ, et al; PRISMA-S Group. PRISMA-S: an extension to the PRISMA Statement for Reporting Literature Searches in Systematic Reviews. Syst Rev. 2021;10:39. doi:10.1186/s13643-020-01542-z.

EQUATOR Network. PRISMA: an updated guideline for reporting systematic reviews.

Kolaski K, Logan LR, Ioannidis JPA. Guidance to Best Tools and Practices for Systematic Reviews. JBJS Rev. 2023 Jun 7;11(6):e23.00077. doi: 10.2106/JBJS.RVW.23.00077.

Errores y mal uso de PRISMA: Por qué «seguir PRISMA» no hace que tu revisión sea buena

–––––––

Ene 19

Acaba de publicarse en Journal of Evidence-Based Medicine el artículo “Umbrella Reviews: Concepts, Methodological Frameworks, and Step-by-Step Implementation” (Liu et al., 2025; doi:10.1111/jebm.70092), de acceso abierto. Es una lectura muy recomendable y complementaria al trabajo de Belbasis et al. en BMJ Medicine (“Conducting umbrella reviews”, 2022).

¿Por qué surgen las revisiones paraguas?

Vivimos en una era de sobrecarga informativa. A diario se publican estudios con resultados y conclusiones en ocasiones contradictorias, lo que complica responder a una pregunta aparentemente simple: ¿qué sabemos con suficiente certeza? Este desafío no afecta solo al público general; clínicos, gestores y responsables de políticas sanitarias se enfrentan a un crecimiento sostenido de la literatura científica.

El fenómeno no se limita a la investigación primaria. Tal y como advirtió Ioannidis, asistimos también a una auténtica «expansión»epidemia» de la literatura secundaria (revisiones sistemáticas y metaanálisis). Cuando se acumulan múltiples revisiones sobre temas cercanos (o incluso la misma pregunta), el problema deja de ser “encontrar evidencia” para convertirse en identificar, comparar y valorar críticamente cuál de esa evidencia es más fiable y aplicable. Para ponerlo en perspectiva, la base de datos médica PubMed ha indexado más de 510,000 revisiones sistemáticas y metaanálisis.

La evidencia secundaria crece… y con ella el reto de interpretarla con rigor.

En este contexto, las revisiones paraguas (umbrella reviews) aportan una solución metodológica para introducir orden. A diferencia de una revisión sistemática clásica, una umbrella review no analiza directamente estudios primarios; su unidad de análisis son revisiones sistemáticas (RS) y metaanálisis (MA) ya publicados. Como Belbasis et al. señaló, las revisiones paraguas ofrecen una visión general de múltiples intervenciones para una condición médica específica o múltiples asociaciones epidemiológicas para una condición médica específica (enfoque de exposición amplia) o un factor de riesgo específico (enfoque de fenómeno amplio).

En términos conceptuales, hablamos de investigación terciaria:
- La investigación primaria genera datos (p. ej., ensayos clínicos, cohortes).
- La investigación secundaria sintetiza por primera vez esos datos (RS/MA).
- La investigación terciaria integra y evalúa críticamente múltiples síntesis secundarias (overviews y umbrella reviews).
Por ello, en la jerarquía de la evidencia, las revisiones paraguas se sitúan en un nivel alto de síntesis, especialmente útiles para ofrecer una visión global y comparativa del estado del conocimiento y apoyar decisiones clínicas, de gestión o de salud pública.

¿Cuándo debemos hacer una revisión paraguas?

La idea central es sencilla: cuando el “nivel alto” de evidencia (SR/MA) se multiplica, necesitamos metodologías de síntesis terciaria que permita:
- integrar resultados de varias revisiones,
- comparar conclusiones entre sí,
- valorar críticamente su calidad metodológica y la certeza del cuerpo de evidencia,
- y identificar qué conclusiones son más sólidas y dónde persisten incertidumbres.
Belbasis y cols. propusieron, además, un algoritmo de decisión práctico para orientar cuándo es preferible una umbrella review frente a otros tipos de síntesis.

Características de las revisiones paraguas

Las revisiones paraguas se distinguen por varios rasgos nucleares:
- Unidad de análisis: revisiones sistemáticas con o sin metaanálisis (no estudios primarios).
- Alcance: suelen abordar campos amplios (por ejemplo, varias intervenciones para una misma condición, o múltiples asociaciones exposición–resultado).
- Propósito: ofrecer una visión panorámica (“bird’s-eye view”), gestionar la sobrecarga de evidencia y ayudar a resolver discrepancias entre revisiones.
- Utilidad estratégica: facilitan la toma de decisiones al permitir comparar varias alternativas (intervenciones, enfoques, asociaciones) en un único documento; son un insumo valioso para guías y políticas.
- Evaluación crítica: no se limitan a resumir resultados; incorporan una valoración estructurada de la calidad metodológica y del riesgo de sesgo de las revisiones incluidas (p. ej., AMSTAR-2, ROBIS), y de la certeza de la evidencia (p. ej., GRADE).
¿Cómo hacer una revisión paraguas?

A continuación, un esquema operativo (paso a paso) alineado con recomendaciones metodológicas actuales:

1. Formular la pregunta de investigación y registrar del protocolo

Definir un objetivo claro y justificable (por qué una umbrella review es necesaria y qué aporta respecto a RS/MA existentes). Estructurar la pregunta con marcos adecuados, según el tipo de evidencia:
- PICO(S) (efectividad clínica)
- CoCoPop (prevalencia/etiología)
- PEO (cualitativa o exposiciones)
Registrar el protocolo a priori (p. ej., PROSPERO u OSF) mejora transparencia y reduce duplicidades.

2. Definir criterios de inclusión y exclusión

Incluir exclusivamente síntesis de evidencia (RS con o sin MA). Excluir, salvo justificación explícita: estudios primarios, revisiones narrativas, guías, informes técnicos no sistemáticos.

3. Diseñar y ejecutar una búsqueda sistemática reproducible

La búsqueda debe ser exhaustiva, reproducible. Bases habituales: MEDLINE/PubMed, Cochrane Database of Systematic Reviews, Embase, Epistemonikos, Scopus y registros como PROSPERO. Es recomendable emplear filtros metodológicos validados para RS/MA cuando proceda.

4. Selección de estudios y extracción de datos

Este proceso debe ser realizado de forma independiente por al menos dos revisores para minimizar sesgos. La selección consiste en el cribado de títulos y resúmenes, seguido de la evaluación de textos completos frente a los criterios de elegibilidad. Para la extracción se utiliza un formulario estandarizado para recopilar características básicas (autores, año), objetivos, intervenciones, resultados cuantitativos, métodos de síntesis y evaluaciones de calidad de las RS incluidas.

5. Evaluar la calidad metodológica / riesgo de sesgo de las revisiones incluidas

Herramientas frecuentes:
- AMSTAR-2 (calidad metodológica general)
- ROBIS (riesgo de sesgo de la revisión sistemática)
- Otras herramientas equivalentes, si están justificadas por el tipo de revisión.
6. Gestionar el solapamiento de estudios primarios (Overlap)

Un reto único de las umbrella reviews es que diferentes RS pueden incluir los mismos estudios primarios, lo que puede inflar artificialmente los resultados si se combinan cuantitativamente.
- Construir una matriz de evidencia: Se recomienda crear una tabla que cruce las RS con los estudios primarios únicos.
- Cuantificar el solapamiento con el cálculo del ACC: El uso del índice del Área Cubierta Corregida (CCA) permite cuantificar el solapamiento (leve <5%, moderado 6-10%, alto 11-15%, y muy alto >15%).
- Considerar herramientas de apoyo como el software GROOVE para una representación gráfica del solapamiento.
7. Síntesis y análisis de los datos

Existen dos enfoques principales para presentar los hallazgos:
- Síntesis narrativa: útil para mapear el campo, identificar patrones y discrepancias, sin recalcular efectos.
- Reanálisis (Repeated Analysis): cuando es apropiado, reanalizar estimaciones (con cautela, especialmente por solapamiento y heterogeneidad), usando software como RevMan/Stata o paquetes de R (p. ej., metaumbrella).
8. Evaluación de la certeza de la evidencia

Aplicar GRADE (u otro sistema equivalente justificado) para clasificar la certeza final (alta, moderada, baja, muy baja) según riesgo de sesgo, inconsistencia, imprecisión, etc.

9. Reporte de los resultados transparente

Para overviews de revisiones, la guía PRIOR es una referencia útil para asegurar informe completo, reproducible y trazable. Esta lista de verificación de 27 ítems cubre todos los aspectos del ciclo de vida de la revisión, desde el título hasta la declaración de conflictos de interés, asegurando la transparencia y reproducibilidad de la síntesis.

Principales aportaciones del artículo de Liu et al. (2025)
- Delimita con claridad las diferencias entre revisiones sistemáticas/metaanálisis, overviews y umbrella reviews, incluyendo su lugar en la jerarquía de la evidencia.
- Propone un flujo metodológico estructurado: definición del tema y criterios, registro del protocolo, búsqueda y cribado, extracción, evaluación de calidad (p. ej., AMSTAR-2), valoración de certeza (p. ej., GRADE) y análisis.
- Incorpora aspectos técnicos críticos para este tipo de síntesis, como el solapamiento de estudios primarios entre revisiones y la heterogeneidad, con recomendaciones prácticas para abordarlos y reportarlos.
¿Quieres evaluar tus conocimientos de las revisiones paraguas?

BIBLIOGRAFÍA

Liu C, Zhou D, Xu W, Pan H, Wang X, Peng J, Ji X, Huang J, Zhu Z. Umbrella Reviews: Concepts, Methodological Frameworks, and Step-by-Step Implementation. J Evid Based Med. 2025 Dec;18(4):e70092. doi: 10.1111/jebm.70092.

Belbasis L, Bellou V, Ioannidis JPA. Conducting umbrella reviews. BMJ Med. 2022 Nov 22;1(1):e000071. doi: 10.1136/bmjmed-2021-000071.
Cuando y cómo hacer una revisión paraguas o umbrella review

–––––––

Ene 7
Durante años, Rayyan ha sido especialmente sólido en el cribado por título/resumen, pero muchos equipos (y, en particular, quienes coordinamos revisiones con volúmenes altos) nos encontrábamos con dificultades claras cuando el proyecto avanzaba hacia el texto completo y la gestión documental.

Las limitaciones de Rayyan

Históricamente, Rayyan se diseñó como herramienta de cribado y, aunque ha ido incorporando módulos posteriores, en la práctica cotidiana se repetían algunos problemas:
1. Gestión manual de textos completos (PDF): Los PDFs debían recuperarse fuera de Rayyan. Después, había que subirlos y adjuntarlos manualmente a cada registro, uno a uno.
1. Integración imperfecta del flujo de trabajo: Rayyan resultaba muy eficiente en el primer cribado, pero el proceso tendía a volverse más “pesado” en fases posteriores. Era frecuente recurrir a soluciones externas (carpetas compartidas, gestores bibliográficos paralelos, etc.) para poder trabajar con muchos PDFs de forma operativa.
La novedad: “Mi Biblioteca” (My Library)

Rayyan ha introducido Mi Biblioteca como un espacio estable, reutilizable y conectado a las revisiones, diseñado para centralizar archivos y reducir trabajo manual, especialmente en el cribado a texto completo.

En términos prácticos, “Mi Biblioteca” funciona como una biblioteca personal en la nube dentro de Rayyan, desde la que puedes organizar, conservar y reutilizar materiales (referencias, PDFs y otros archivos) en distintos proyectos.

Beneficios de «My Library»

1) Centralización y orden (por fin, “un sitio” para todo)
- Permite almacenar una colección propia de investigación, con referencias y textos completos.
- Puedes crear carpetas y estructurar el contenido por proyectos, temas o etapas.
- Facilita la gestión de colecciones grandes con una lógica de “repositorio” (custodia y reutilización, no solo importación puntual).
2) Reutilización real entre proyectos

Una idea clave es evitar el “déjà vu” de reimportar lo mismo en cada revisión: “Mi Biblioteca” está pensada para que tu colección de referencias/archivos sea persistente y puedas usar los mismos ítems en revisiones diferentes cuando lo necesites.

3) El gran cuello de botella: texto completo (PDF) y su enlace al registro

Aquí está el salto más práctico: durante la fase de cribado a texto completo, puedes localizar PDF ya almacenados en Mi Biblioteca y vincularlos a los registros del proyecto, reduciendo el trabajo de “subir y adjuntar” uno por uno desde cero en cada revisión.

4) Recuperación y “copia de trabajo”

Todo lo que subes queda disponible para su reutilización y descarga, lo que aporta una capa útil de respaldo operativo (especialmente cuando el equipo trabaja con múltiples revisiones o rotación de participantes).

Implicaciones para bibliotecas hospitalarias y equipos de revisión
- Reducir trabajo manual repetitivo.
- Mejorar la trazabilidad (dónde está cada PDF, cuándo se incorporó, a qué proyecto se vinculó).
- Disminuir dependencias de circuitos paralelos (carpetas compartidas + “doble” gestión fuera de la plataforma).
Cautelas (importantes)
1. No es un sistema de obtención de texto completo: “Mi Biblioteca” no sustituye el acceso: sigue siendo imprescindible disponer de los PDFs por vías legítimas (suscripción institucional, OA, solicitud a autores, etc.).
2. Qué puedes hacer con cuenta gratuita:
  - Subir y organizar PDFs y archivos de referencias en Mi Biblioteca, sin límite de espacio tan solo que cada PDF no exceda 100MB, y no subir más de 10 a la vez.
  - Reutilizar esas referencias en distintas revisiones.
  - Buscar PDFs en Mi Biblioteca durante el cribado a texto completo y emparejarlos manualmente con las referencias.
1. Qué queda restringido a planes de pago: El PDF Auto Matching (la asignación automática de PDFs a las referencias) es una funcionalidad solo de pago.
En resumen …

“Mi Biblioteca” supone una notable mejora, ya que actúa en el eslabón más frágil del flujo de trabajo en Rayyan: la gestión del texto completo y su acoplamiento al cribado. Para quienes trabajamos apoyando revisiones sistemáticas desde bibliotecas hospitalarias, este cambio puede traducirse en menos trabajo manual, más orden y más eficiencia en proyectos de alto volumen.

Más información: https://help.rayyan.ai/hc/en-us/articles/41494414324625-How-to-Use-My-Library
Rayyan estrena “Mi Biblioteca”: por fin, una gestión más fluida del texto completo

–––––––

Dic 15
Hasta ahora, diseñar una estrategia de búsqueda sólida, localizar estudios relevantes y manejar cientos de referencias era un trabajo artesanal, intensivo en tiempo y dependiente por completo de la experiencia humana. Sin embargo, la integración de modelos de lenguaje generativo en los procesos de revisión sistemática está modificando de manera sustancial la fase de búsqueda y recuperación de información.

La clave está en entender qué puede hacer cada uno y cómo combinar sus fortalezas para obtener búsquedas más robustas, eficientes y reproducibles en un contexto donde la calidad de la evidencia importa más que nunca.

Tareas en las que puede intervenir la IA

La aportación de la IA no reside únicamente en la aceleración de tareas, sino en la capacidad de ampliar, diversificar y estructurar el acceso a la literatura científica, amplificando los procedimientos manuales.
- Generación rápida y exhaustiva de términos de búsqueda. Los modelos de IA generativa son capaces de recopilar términos de miles de textos y, a partir de ahí, sugieren sinónimos, acrónimos y variantes de un mismo concepto. En otras palabras, ayudan a descubrir términos relevantes que, de otro modo, podrían pasarse por alto. Esta capacidad resulta especialmente útil en áreas emergentes o interdisciplinarias, donde la terminología aún no está normalizada y la literatura se dispersa en múltiples dominios temáticos.
- Aumento de la sensibilidad/exhaustividad (recall) de la búsqueda. Estas herramientas son capaces de producir una primera estrategia de búsqueda con elevada sensibilidad, es decir, muy amplia, recuperando muchísimos resultados. Es verdad que luego hay que limpiarlos y depurarlos, pero esa “primera cosecha” sirve como una base sólida sobre la que seguir afinando la estrategia, añadir filtros y ajustar los términos. En este sentido, la IA funciona como un acelerador: te ayuda a arrancar rápido con un punto de partida fuerte, aunque siempre hace falta la mirada experta del bibliotecario para asegurar que todo tenga sentido y calidad.
- Generación de búsquedas booleanas para distintas bases de datos/plataformas. Uno de los avances más visibles es la capacidad de la IA para traducir una estrategia conceptual en consultas operativas adaptadas a la sintaxis de cada proveedor: Ovid MEDLINE, Embase.com, Scopus, Web of Science, CINAHL (EBSCO, Ovid, …), PsycINFO (Proquest, EBSCO, …), entre otros. Esto incluye la aplicación correcta de campos de búsqueda, operadores de proximidad, truncamientos, tesauros controlados y peculiaridades funcionales de cada motor. Esta precisión reduce errores, evita pérdidas de sensibilidad y mejora la reproducibilidad del proceso.
Ventajas/Oportunidades del uso de la IA
- Fase de búsqueda inicial más exhaustiva: La IA puede generar en pocos segundos un abanico enorme de términos, sinónimos y palabras clave relacionadas con un tema. Esto resulta especialmente útil cuando nos enfrentamos a un campo nuevo o del que sabemos poco: la herramienta propone conceptos que quizá no habríamos considerado y evita que la estrategia de búsqueda se quede corta.
- Más referencias desde el principio: Las herramientas de IA suelen recuperar mucho más. Su forma de interpretar las palabras clave es más amplia que la nuestra, lo que se traduce en un volumen mayor de resultados. Luego tocará depurarlos, sí, pero arrancar con una red más grande ayuda a no dejar estudios relevantes fuera.
- Menos tiempo perdido al adaptar estrategias entre bases de datos: Pasar una estrategia de búsqueda de MEDLINE (PubMed u OVID) a Embase.com, Scopus o WoS es un trabajo pesado, repetitivo y lleno de pequeños detalles que es fácil olvidar. La IA puede hacerlo automáticamente, respetando sintaxis, operadores booleanos y campos correctos en cada plataforma. En la práctica, esto supone menos errores y muchas horas ahorradas.
- Orden y lógica en los términos: Además de reunir términos útiles, la IA es capaz de agruparlos por categorías o temas. No solo te dice qué palabras usar, sino que te ayuda a entender cómo se relacionan entre sí, lo que facilita estructurar la búsqueda con sentido.
Inconvenientes y retos del uso de IA en las revisiones sistemáticas
- Mucho volumen, poca precisión: Que la IA recupere cientos o miles de referencias puede parecer una ventaja, pero tiene trampa: no distingue bien lo relevante de lo accesorio. Esto obliga a dedicar tiempo extra a revisar y descartar estudios que no encajan con la pregunta de investigación. En cambio, una estrategia elaborada por un bibliotecario suele ser más ajustada desde el principio, porque está pensada para responder a criterios concretos y no para abarcar “todo lo que pueda sonar parecido”.
- La experiencia humana sigue siendo irremplazable: La IA propone muchos términos, sí, pero no sabe cuándo un matiz importa. Afinar la estrategia de búsqueda, elegir el descriptor correcto o decidir si un término aporta ruido o información útil sigue siendo territorio humano. Las listas generadas por la IA necesitan ser revisadas, depuradas y enriquecidas por alguien que entienda el contexto, las particularidades del tema y las implicaciones metodológicas.
- Limitaciones de acceso a bases de datos suscritas: Hoy por hoy, la mayoría de modelos de IA no pueden entrar en bases de datos científicas de pago. Esto significa que no pueden comprobar en tiempo real qué términos están indexados, qué descriptores existen o cómo se estructura un determinado tesauro especializado.
- No puede moverse por tesauros especializados: Al no tener acceso a bases como EMBASE, CINAHL o PsycINFO, la IA no es capaz de navegar por sus tesauros y proponer descriptores correctos. Este es un punto crítico porque las estrategias de búsqueda más sólidas combinan términos libres con términos controlados, y esa fineza todavía no está al alcance de las herramientas generativas.
- No descarga ni extrae referencias: Otra limitación importante es que la IA no puede descargar los resultados de la búsqueda ni gestionarlos en un gestor bibliográfico. Sigue siendo necesario pasar por las plataformas originales para obtener los registros y preparar la deduplicación o el cribado.
- Siempre necesita supervisión: El uso de IA no elimina la figura del bibliotecario experto ni del equipo de revisión. Más bien cambia su papel: deja de ser quien hace cada paso manualmente para convertirse en quien valida, corrige y toma decisiones informadas. Sin esa supervisión, la IA puede generar estrategias amplias, pero no necesariamente adecuadas.
Un modelo sinérgico: IA + bibliotecario

El futuro inmediato no pasa por elegir entre inteligencia artificial o bibliotecario especializado, sino por combinarlos teniendo en cuenta las fortalezas y limitaciones de cada uno de ellos. Cada uno aporta algo diferente y, cuando trabajan juntos, el proceso de búsqueda y revisión gana en velocidad, alcance y rigor.

¿Cuál sería el rol de la IA?
La IA es especialmente útil en las primeras fases del trabajo. Su fortaleza está en generar cantidad: propone términos, sugiere combinaciones, construye borradores de estrategias de búsqueda y automatiza tareas tediosas como adaptar consultas entre plataformas o expandir sinónimos. Es rápida y eficiente para mover grandes volúmenes de información.

¿Qué aporta el bibliotecario?
El bibliotecario, por su parte, aporta calidad. No solo afina la terminología y valida los conceptos relevantes, sino que es quien domina el uso de tesauros, entiende la lógica de indexación de cada base de datos y detecta inconsistencias que la IA no ve. Además, garantiza el rigor metodológico: sabe cuándo un término es demasiado amplio, cuándo un operador puede distorsionar la pregunta de investigación y cómo documentar correctamente una estrategia reproducible.

En resumen (recuerda las pautas RAISE) …
- La IA debe usarse como compañera de los humanos, no como sustituta.
- Tú eres, en última instancia, responsable de su síntesis de la evidencia, incluida la decisión de usar IA y de garantizar la adhesión a las normas legales y éticas.
- Usa la IA siempre que no comprometas el rigor metodológico ni la integridad de la síntesis.
- Debes de informar de forma completa y trasparente del uso de cualquier IA que emita o sugiera juicios.
¿Es la IA un sustituto, una amenaza o un aliado para los bibliotecarios especializados?

–––––––

Dic 1

La inteligencia artificial (IA) puede acelerar y reforzar fases concretas de una revisión sistemática (RS), pero no sustituye el juicio metodológico ni la verificación humana. Esta guía resume cuándo y cómo usarla con seguridad, qué supervisión aplicar y cómo documentar su empleo en protocolos y manuscritos. Esta es una guía práctica y aplicada para equipos de revisión sistemática que desean comenzar a incorporar herramientas de inteligencia artificial (IA) de forma responsable, alineada con la declaración conjunta Cochrane–Campbell–JBI–CEE y las recomendaciones RAISE.

1) Antes de usar IA: 4 decisiones clave

Evalúa la necesidad real. Si la IA no mejora eficiencia o calidad (p. ej., por bajo volumen o buen rendimiento del equipo), no la uses.
Analiza el contexto. Urgencia, alcance, recursos, tipo de datos (cuantitativos/cualitativos) e impacto esperado condicionan la elección de herramientas.
Selecciona con criterio. Prioriza herramientas con validación pública y documentación completa; comprueba si han sido entrenadas en dominios afines a tu tema.
Consulta a metodólogos y expertos si es posible.

2) ¿Dónde aporta valor la IA? (y qué control aplicar)

3) Buenas prácticas de reporte

Incluye de forma transparente: herramienta y versión; objetivo de uso (cribado, extracción, redacción…); justificación metodológica (validación/ utilidades); verificación aplicada; limitaciones y posibles sesgos; conflictos de interés; y dónde están código, prompts o I/O (si aplica).

Consejo: Incluye esta información en el apartado Métodos y/o en Material suplementario.

Plantilla genérica de informes que podría usarse adatánda para informar del uso de la IA en RS

We will use [AI system/tool/approach name, version, date] developed by [organization/developer] for [specific purpose(s)] in [the evidence synthesis process]. The [AI system/tool/approach] will [state it will be used according to the user guide, and include reference, and/or briefly describe any customization, training, or parameters to be applied]. Outputs from the [AI system/tool/approach] are justified for use in our synthesis because [describe how you have determined it is methodologically sound and will not undermine the trustworthiness or reliability of the synthesis or its conclusions and how it has been validated or calibrated to ensure that it is appropriate for use in the context of the specific evidence synthesis, if not covered in the user guide, evaluations or elsewhere]. Limitations [of the AI system/ tool/approach] include [describe known limitations, potential biases, and ethical concerns]/[are included as a supplementary material]. [If applicable] A detailed description of the methodology, including parameters and validation procedures, is available in [supplementary materials].

4) Cómo informar el uso de IA en protocolo y manuscrito

5. Formación del equipo

Competencias mínimas recomendadas
Saber interpretar evaluaciones de herramientas de IA
Comprender sesgos algorítmicos (e.g., sesgo de idioma, acceso abierto)
Saber aplicar criterios éticos y legales (protección de datos, plagio)
Capacidad de diseñar prompts precisos y reproducibles si se usan LLMs

📚 Recursos de formación recomendados:

Curso gratuito: Evidence Synthesis and AI (DESTINY Project)
Guía RAISE (versión actualizada): https://osf.io/

6) Herramientas (ejemplos y notas prácticas)

7) Recomendación final

La IA optimiza tareas repetitivas y ayuda a estructurar información, pero su fiabilidad depende de una elección informada, pilotaje previo, verificación sistemática y transparencia en el reporte. Si no mejora la eficiencia o la calidad de la RS, no la utilices.

Bibliografía

Flemyng, E., Noel-Storr, A., Macura, B., Gartlehner, G., Thomas, J., Meerpohl, J. J., Jordan, Z., Minx, J., Eisele-Metzger, A., Hamel, C., Jemioło, P., Porritt, K., & Grainger, M. (2025). Position statement on artificial intelligence (AI) use in evidence synthesis across Cochrane, the Campbell Collaboration, JBI and the Collaboration for Environmental Evidence 2025. Environmental Evidence, 14(1), 20, s13750-025-00374–00375. https://doi.org/10.1186/s13750-025-00374-5

Thomas, J., Flemyng, E., Noel-Storr, A., Moy, W., Marshall, I. J., Hajji, R., Jordan, Z., Aromataris, E., Mheissen, S., Clark, A. J., Jemioło, P., Saran, A., Haddaway, N., Kusa, W., Chi, Y., Fletcher, I., Minx, J., McFarlane, E., Kapp, C., … Gartlehner, G. (2025). Responsible AI in Evidence Synthesis (RAISE) 1: Recommendations for practice. https://osf.io/fwaud

Guía práctica para incorporar IA en revisiones sistemáticas

–––––––

Nov 11

A comienzos del siglo XX, Berlín contuvo el aliento ante un caballo. Lo llamaban Hans y, frente a una pizarra de números, hacía sonar el casco como si cada golpe arrancara una cifra del aire. La multitud juraba ver inteligencia en su mirada; su entrenador, Wilhelm von Osten, lo presentaba sin cobrar entrada, como quien ofrece un pequeño milagro.

“Hans el Listo” en acción, golpeando con su casco. Disponible en: Samhita L, Gross HJ. The «Clever Hans Phenomenon» revisited. Commun Integr Biol. 2013 Nov 1;6(6):e27122. doi: 10.4161/cib.27122.

El asombro fue tan grande que, entre 1904 y 1907, se organizó una investigación oficial. Primero, la llamada Comisión Hans descartó engaños burdos: no había hilos, ni claves pactadas, ni trucos circenses. Después, el psicólogo Oskar Pfungst diseñó experimentos controlados: cambió al interrogador, ocultó las expresiones faciales, varió la posición del público e incluso impidió el contacto visual. Cuando quien preguntaba no conocía la respuesta, o cuando Hans no podía “leer” a las personas, el caballo fallaba.

«Clever Hans (The Horse of Mr. Von Osten)» de Oskar Pfungst. Disponible en: https://www.gutenberg.org/ebooks/33936?

Pero el prodigio tenía costuras humanas: Hans no resolvía aritmética, leía cuerpos; detectaba señales mínimas —una ceja, un leve enderezarse el cuerpo, la respiración que se cambia justo en el número esperado— y detenía su casco en el punto exacto de la expectativa ajena. Así nació el término que aún usamos en ciencia: el “efecto Clever Hans”.

Esta historia es un espejo útil para la inteligencia artificial moderna. Los modelos –de GPT-4 no “descifran” el mundo: ajustan sus salidas a los patrones y pistas presentes en los datos, en las instrucciones y en el contexto que les damos. Igual que Hans, responden con asombrosa verosimilitud cuando las señales son ricas y la guía es nítida; y, también como Hans, fallan cuando retiramos esas pistas o las contaminamos. La enseñanza no es que el caballo fuera un fraude, sino que nuestra mirada lo era sin querer: fuimos nosotros quienes, con gestos invisibles, le dictamos la respuesta.

La inteligencia que creíamos observar estaba en la coreografía invisible de quienes hacían la pregunta. Hoy, cuando diseñamos, probamos o usamos sistemas de IA, necesitamos protocolos tan estrictos como los de Pfungst: preguntas ciegas, controles que eviten pistas espurias, validaciones con datos no vistos y entornos donde la respuesta correcta no pueda “adivinarse” por atajos. Porque la frontera entre comprender y simplemente complacer nuestras expectativas puede ser tan fina como el temblor de un músculo.

BIBLIOGRAFÍA

Samhita L, Gross HJ. The «Clever Hans Phenomenon» revisited. Commun Integr Biol. 2013 Nov 1;6(6):e27122. doi: 10.4161/cib.27122.

Khraisha Q, Put S, Kappenberg J, Warraitch A, Hadfield K. Can large language models replace humans in systematic reviews? Evaluating GPT-4’s efficacy in screening and extracting data from peer-reviewed and grey literature in multiple languages. Res Synth Methods. 2024 Jul;15(4):616-626. doi: 10.1002/jrsm.1715.

Pfungst O. Clever Hans (The Horse of Mr. von Osten): A contribution to experimental animal and human psychology. New York: Henry Holt; 1911. Project Gutenberg (eBook n.º 33936). Disponible en: https://www.gutenberg.org/ebooks/33936?

“Efecto Clever Hans” en Inteligencia artificial

–––––––

Nov 10

Aunque la IA tiene el potencial de transformar los procesos y hacer la síntesis más oportuna, asequible y sostenible, la tecnología es potencialmente disruptiva y conlleva riesgos como la opacidad, el sesgo algorítmico y la creación de contenido fabricado (alucinaciones).

Recientemente se ha desarrollado la guía RISE (Responsible use of AI in evidence SynthEsis) para abordar la necesidad de un consenso sobre qué constituye el uso responsable de los LLMs. Cochrane y JBI han adoptado una posición conjunta y oficial respecto al uso de la Inteligencia Artificial (IA) en la síntesis de evidencia, la cual está formalmente alineada con las recomendaciones RAISE (Responsible use of AI in evidence SynthEsis). Esta postura se estableció en colaboración con la Campbell Collaboration y la Collaboration for Environmental Evidence (CEE), formando un Grupo Conjunto de Métodos de IA (1).

¿Qué son los principios RAISE?

RISE establece un marco de trabajo para garantizar el uso responsable de la inteligencia artificial (IA) y la automatización a lo largo de todo el ecosistema de la síntesis de evidencia. Tiene como objetivo Salvaguardar los principios esenciales de la integridad de la investigación frente a la integración creciente de la IA (2).

Inteligencia artificial dentro del marco RISE

Los autores podrán integrar la inteligencia artificial en sus procesos de síntesis de evidencia y preparación de manuscritos, siempre que se garantice que su uso no comprometerá el rigor metodológico ni la integridad de la evidencia sintetizada. Su implementación debe estar debidamente justificada y sustentada por la solidez metodológica de las herramientas empleadas.

Cómo se implementan las recomendaciones RISE

RISE establece tres categorías principales de recomendaciones para los autores de síntesis de evidencia:

Pilar 1. Responsabilidad última: la firma es tuya.

El autor es el responsable final del contenido, los métodos y los hallazgos de su síntesis, incluyendo la decisión de usar la IA, cómo se emplea y el impacto que tiene en el resultado. El equipo autor responde del contenido, métodos y hallazgos, incluida la decisión de usar IA, cómo se usa y su impacto. Antes de adoptar herramientas, sé crítico: ¿hacen lo que prometen?, ¿con qué limitaciones?, ¿encajan con tu pregunta y contexto? Justifica el uso: demuestra solidez metodológica y que no compromete la confianza en resultados y conclusiones.

PILAR 2. Transparencia: cuéntalo (y cuéntalo bien).

Declara la IA cuando hace o sugiere juicios (elegibilidad, riesgo de sesgo, extracción, síntesis, GRADE, resúmenes). No suele ser necesario declarar correcciones menores de ortografía/gramática, salvo que la revista lo exija.

Incluye siempre:

Nombre(s) del/de los sistema(s) o herramienta(s) de IA, versión(es) y fecha(s) de uso.
Para qué la usaste y en qué fases; guía y cómo se aplicó (incluidas modificaciones).
Justificación y evidencia de desempeño/limitaciones; cómo validaste/pilotaste su uso.
Disponibilidad (si es viable): prompts, salidas, datasets, código; y pasos de verificación.
Intereses (financieros/no financieros) respecto a la herramienta y su financiación.
Limitaciones y sesgos detectados y su posible impacto.
Alinea con PRISMA/ROSES y colócalo donde pida la revista (Métodos, Agradecimientos o sección específica).

PILAR 3. Consideraciones éticas y legales.

Cuida plagio, autoría, derechos y licencias, confidencialidad y protección de datos. Si tratas datos sensibles, extrema las garantías.

Plantilla para declarar el uso de IA (copiar/pegar)

Aquí te dejo un ejemplo de modelo de plantilla que puedes utilizar en tu próxima revisión:

Uso de IA y automatización: Durante esta revisión utilizamos [Nombre-herramienta, versión] (acceso el [fecha]) para [fases: búsqueda/cribado/extracción/síntesis/resumen]. Aplicamos [parámetros/modificaciones] y validamos su desempeño mediante [piloto, muestreo, doble ciego, comparación con estándar]. Conservamos prompts, salidas y registros en [repositorio/suplemento]. El equipo no declara [intereses/relaciones] con el proveedor. Limitaciones observadas: [listar]; impacto potencial: [describir]. La decisión final sobre elegibilidad, extracción y conclusiones fue humana.

Tabla traducida al español de RAISE (versión 2.1 en desarrollo a partir del 22 de septiembre de 2025)

Categoría RISE	Más orientación
Mantener la responsabilidad última de la síntesis de evidencia	– El autor es responsable del contenido, los métodos y los hallazgos de su síntesis de evidencia, incluida la decisión de usar IA, cómo se usa y su impacto en la síntesis. – Al considerar el uso de un sistema o herramienta de IA, sea crítico con sus evaluaciones para comprender si hace lo que declara con un nivel adecuado, así como sus limitaciones y si puede aplicarse al contexto de la síntesis específica. – El uso de la IA debe estar justificado y debe demostrarse que las herramientas son metodológicamente sólidas, que no socavan la confiabilidad o fiabilidad de la síntesis ni de sus conclusiones y que es apropiado usar un sistema o herramienta de IA específica en el contexto de la síntesis concreta.
Informar de manera transparente el uso de IA en el manuscrito de la síntesis de evidencia	– Los autores pueden utilizar IA dentro de sus síntesis y para preparar su manuscrito. – Los autores deben declarar cuándo han utilizado IA si esta realiza o sugiere juicios, por ejemplo en relación con la elegibilidad de un estudio, valoraciones (incluida la evaluación del riesgo de sesgo), extracción de datos bibliográficos, numéricos o cualitativos de un estudio o de sus resultados, síntesis de datos de dos o más estudios, valoración de la certeza de la evidencia (incluidos los dominios de GRADE o las calificaciones globales de certeza para un desenlace o hallazgo), redacción de texto que resume la solidez global de la evidencia, las implicaciones para la toma de decisiones o la investigación, o resúmenes en lenguaje sencillo. En general, no es necesario consignar la IA utilizada únicamente para mejorar ortografía, gramática o la estructura del manuscrito, pero recomendamos comprobar la política específica de la revista para asegurar el cumplimiento. – Cumplir con los estándares de notificación establecidos por cada revista, como PRISMA o ROSES. PRISMA, por ejemplo, incluye ítems sobre la notificación de herramientas de automatización usadas en diferentes etapas del proceso de síntesis. Esto debe informarse en la sección especificada por cada revista, como Agradecimientos, Métodos o una sección específica para la divulgación del uso de IA. Si los detalles son extensos o la IA se usa en múltiples etapas, considere materiales suplementarios o una presentación tabular (o ambos). En general, los autores deben informar de lo siguiente: a) Nombre(s) del/de los sistema(s), herramienta(s) o plataforma(s) de IA, versión(es) y fecha(s) de uso. b) El propósito del uso de IA y qué partes del proceso de síntesis de evidencia se vieron afectadas. Citar o referenciar la guía de uso o describir cómo se empleó la IA, incluidas las modificaciones aplicadas. c) La justificación para usar IA, incluida la evidencia de que el sistema o herramienta de IA es metodológicamente sólida y no socavará la confianza o la fiabilidad de la síntesis o de sus conclusiones (p. ej., citando o referenciando evaluaciones de desempeño que detallen el impacto de errores, limitaciones y generalización), y cómo se ha validado (y pilotado, si procede) para asegurar que es apropiada en el contexto de la síntesis específica. Siempre que sea posible y práctico, poner a disposición pública y gratuita las entradas (p. ej., desarrollo de prompts), salidas, conjuntos de datos y código (por ejemplo, en repositorios o como materiales suplementarios) y describir los pasos seguidos para verificar las salidas generadas por IA. d) Cualesquiera intereses financieros y no financieros de los autores de la síntesis respecto del sistema o herramienta de IA, junto con las fuentes de financiación del propio sistema o herramienta de IA. e) Cualesquiera limitaciones del uso de IA en los procesos de la revisión, incluidos sesgos potenciales. Comentar el impacto potencial de cada limitación.
Garantizar el cumplimiento de estándares éticos, legales y normativos al usar IA	Asegúrese de cumplir los estándares éticos, legales y normativos al aplicar IA en su síntesis. Por ejemplo, tenga en cuenta cuestiones relacionadas con plagio, procedencia, derechos de autor, propiedad intelectual, jurisdicción y licencias; y con la confidencialidad, el cumplimiento normativo y las responsabilidades de privacidad, incluidas las leyes de protección de datos.

Conclusión

RAISE no frena la innovación: la encauza. La guía RISE establece un hito esencial en la evolución de la síntesis de evidencia científica. Al definir principios claros para el empleo responsable de la inteligencia artificial, RISE no pretende restringir la innovación, sino orientarla para preservar y robustecer los valores intrínsecos de la investigación rigurosa.

El futuro de la síntesis de evidencia será, ineludiblemente, más automatizado. No obstante, con RISE como pauta, será también más responsable, transparente y fiable. Los investigadores que adopten estos principios no solo utilizarán herramientas poderosas de forma ética, sino que contribuirán a edificar un ecosistema de investigación más sólido y digno de confianza para las generaciones futuras.

Bibliografía

Flemyng E., Noel-Storr A., Macura B., Gartlehner G., Thomas J., Meerpohl JJ., et al. Position statement on artificial intelligence (AI) use in evidence synthesis across Cochrane, the Campbell Collaboration, JBI and the Collaboration for Environmental Evidence 2025. Environ Evid. 2025;14(1):20, s13750-025-00374-5, doi: 10.1186/s13750-025-00374-5.
Thomas J, Flemyng E, Noel-Storr A, Moy W, Marshall IJ, Hajji R, et al. Responsible use of AI in evidence SynthEsis (RAISE) 1: recommendations for practice. In: Open Science Framework, Washington DC: Center for Open Science. https ://doi.org/10.17605/OSF.IO/FWAUD. https://osf.io/.

RAISE: cómo usar IA en síntesis de evidencia sin perder el rigor

–––––––

Nov 2

La inteligencia artificial (IA)—y, en particular, los modelos de lenguaje (LLMs)—ya están ayudando a hacer revisiones sistemáticas (RS) más rápidas y manejables, pero aún no pueden reemplazar el juicio experto ni los métodos sistemáticos consolidados. A continuación resumo qué funciona, qué no, y cómo implantarlo con garantías.

Qué dice la evidencia más reciente sobre LLMs

Una revisión de alcance (n=196 informes; 37 centrados en LLMs) encontró que los LLMs ya se usan en 10 de 13 pasos de la RS (sobre todo búsqueda, selección y extracción). GPT fue el LLM más común. La mitad de los estudios calificó su uso como prometedor, un cuarto neutral y un quinto no prometedor. La búsqueda fue, con diferencia, el paso más cuestionado; en RoB la concordancia con humanos fue solo ligera a aceptable (Lieberum JL, et al. 2024).

¿Dónde aporta más (hoy) la IA?

La IA acelera y prioriza (especialmente en el cribado), pero no sustituye la búsqueda sensible, la evaluación del sesgo ni el juicio experto.

1) Cribado (títulos/resúmenes y, con matices, texto completo)
- Aprendizaje activo para priorizar lo relevante primero: Ayudar al revisor humano a reordenar los artículos para presentar primero los más relevantes (aprendizaje activo).
  ASReview y SWIFT ActiveScreener alcanzaron recall altos en títulos/resúmenes (96,48% y 97,89%, respectivamente) y redujeron el number needed to read (NNR). En texto completo, Covidence y SWIFT obtuvieron recall 100% con precisión cercana al 50%, útil para priorizar sin suprimir la revisión humana.
- Su uso en la primera fase del cribado frente al título/Abstract es prometedor pudiendo reducir la carga de trabajo significativamente, especialmente para el segundo revisor.
- Su uso en la fase de escreening frente al texto completo es limitado y todos los artículos deben cribarse para garantizar que no se pierda nada, a pesar de la precisión de la IA
- La implicación general es que la IA en esta fase debe verse como una herramienta complementaria y de apoyo, y no como un sustituto completo del juicio y la experiencia humana
2) Extracción de datos (modo asistido)
- LLMs y asistentes tipo ChatGPT/Elicit/SciSpace pueden pre-rellenar tablas (autor, año, muestra, intervención…), pero la concordancia varía del 0% al 100% según el campo, y entre herramientas la fiabilidad puede ser baja-moderada; exige verificación por dos extractores humanos.
- La extracción de datos es una de las fases del proceso de RS más frecuentemente abordadas por estudios sobre LLMs (Modelos de Lenguaje Grande). La IA puede identificar y extraer información clave, como el diseño del estudio, los resultados, o el tema principal de un artículo, lo que potencialmente minimiza el error humano y reduce el esfuerzo manual3. Dado que la extracción de datos, junto con el cribado, es una de las partes que más tiempo consume en una RS, la capacidad de herramientas como ChatGPT y CoPilot para acelerar esta fase es considerada un beneficio importante. Sin embargo, pesar de los resultados prometedores, la IA aún no está lista para reemplazar la extracción manual y presenta importantes fallas de fiabilidad.
3) Apoyo metodológico y redacción
- Buen rendimiento para ideación de la pregunta, PICO, sinónimos y borradores de cadenas booleanas (que un especialista debe validar). En redacción, los LLMs ayudan a esqueletos de métodos/discusión y a preparar síntesis narrativas con control experto.
¿Dónde no conviene delegar (aún)?

A) Búsqueda bibliográfica “end-to-end”: rol de apoyo y supervisión humana

El debate en torno al uso de la Inteligencia Artificial (IA) en la fase de Búsqueda en las Revisiones Sistemáticas se centra en su prometedor potencial para agilizar tareas específicas, contrarrestado por una baja fiabilidad y sensibilidad al intentar reemplazar la metodología de búsqueda tradicional, lo que exige una constante supervisión humana.
1. Baja Sensibilidad (Recall). Los buscadores IA (p. ej., Consensus, Elicit, SciSpace) mostraron recall muy bajo frente a estrategias manuales multibase: mejor caso ~18% y, en varios escenarios, 0–5%, en parte por cubrir Semantic Scholar y no bases con licencia/tras muro de pago. No sustituyen a MEDLINE/Embase/Scopus/WoS.
2. Alucinaciones y falta de fiabilidad en las referencias.
3. Inconsistencia en la Generación de Queries. Incluso cuando se limitan a la tarea de generar queries booleanas para bases de datos (un rol de asistencia), los resultados son impredecibles. Los LLMs no pueden recomendarse para la creación de estrategias de búsqueda complejas.
4. La IA puede utilizarse para identificar términos clave para el desarrollo de la estrategia y para tareas generales de alcance.
Es crucial que un bibliotecario experto con conocimientos en metodología de revisión valide la estrategia generada por la IA y la edite manualmente, ya que las estrategias generadas por ChatBots podría comprometer los resultados. Se requieren habilidades de prompt engineering para optimizar el rendimiento de la IA en tareas de recuperación de información.

B) Riesgo de sesgo (RoB): esta etapa requiere juicio humano

El debate en torno al Rendimiento de las herramientas de Inteligencia Artificial (IA), como ChatGPT y RobotReviewer, en la etapa de Evaluación de Calidad o Riesgo de Sesgo (RoB) de las Revisiones Sistemáticas (RS), se centra en su pobre fiabilidad inter-evaluador (poor inter-rater reliability) y sus limitaciones metodológicas, lo que las hace actualmente inadecuadas para reemplazar la evaluación humana.

C) Extracción desde tablas/figuras complejas

Los LLMs fallan más cuando los datos están en tablas/figuras o mal estructurados; se necesita lectura experta y herramientas específicas de tablas.

Flujo recomendado: IA-asistida, humano en el bucle

Riesgos (y cómo mitigarlos)
- Alucinaciones y referencias falsas → Verificar DOI/PMID y cotejar con texto original.
- Cobertura parcial (sin licencias/“paywalls”) → Integrar bases tradicionales y accesos institucionales.
- Reproducibilidad inestable (prompts/temperatura) → Guardar prompts, fijar parámetros, usar corpus cerrado (RAG) cuando sea posible.
Recuerda:

Bibliografía
1. Kowalczyk P. Can AI Review the Scientific Literaure? Nature. 2024;635:276-8, doi: 10.1038/d41586-024-03676-9.
2. Lieberum J-L., Töws M., Metzendorf M-I., Heilmeyer F., Siemens W., Haverkamp C., et al. Large language models for conducting systematic reviews: on the rise, but not yet ready for use – a scoping review. 2024, doi: 10.1101/2024.12.19.24319326.
3. Moens M., Nagels G., Wake N., Goudman L. Artificial intelligence as team member versus manual screening to conduct systematic reviews in medical sciences. iScience. 2025;28(10), doi: 10.1016/j.isci.2025.113559.
4. Schmidt L., Cree I., Campbell F., WCT EVI MAP group Digital Tools to Support the Systematic Review Process: An Introduction. Evaluation Clinical Practice. 2025;31(3):e70100, doi: 10.1111/jep.70100.
IA en Revisiones Sistemáticas: ¿Dónde aporta y cómo usarla bien?

–––––––

Oct 22
El resumen es, a menudo, la única parte de un artículo que muchos lectores llegan a consultar. Es la primera puerta de entrada para investigadores, clínicos, revisores y facilita la comprensión rápida de los objetivos, métodos y resultados principales de un estudio. Pero además cumple un papel esencial en la recuperación de información: en bases de datos y motores de búsqueda -especialmente si no disponen de tesauro- las búsquedas se realizan fundamentalmente en los campos de título y resumen, y no en el texto completo de los artículos. Esto significa que, si los conceptos clave del estudio no están descritos de forma clara y completa en el resumen, es probable que el artículo no sea recuperado en una búsqueda bibliográfica, aunque sea muy relevante para la pregunta de investigación.

La calidad del resumen no solo es importante para que los lectores comprendan el estudio, sino también para que el artículo sea recuperable y visible en las búsquedas bibliográficas.

En un contexto donde cada vez se publican más artículos, los resúmenes no solo son leídos por personas, sino también procesados por herramientas automáticas de cribado y algoritmos de inteligencia artificial que ayudan en la selección de estudios para revisiones sistemáticas.

Un artículo reciente publicado en el Journal of Clinical Epidemiology (Write Your Abstracts Carefully – The Impact of Abstract Reporting Quality on Findability by Semi-Automated Title-Abstract Screening Tools, Spiero et al., 2025) demuestra con claridad esta idea:
- Resúmenes de mayor calidad (medidos con los criterios TRIPOD) son más fáciles de identificar como relevantes por herramientas de cribado semiautomatizado.
- El uso de subapartados en resúmenes estructurados también aumenta la probabilidad de que los artículos sean detectados.
- En cambio, aspectos como la longitud del resumen o la variación terminológica no influyen en la capacidad de las herramientas para identificar artículos relevantes.
¿Por qué es importante esto?

Porque si los resúmenes están mal redactados, los estudios relevantes pueden pasar desapercibidos, lo que introduce sesgo de selección en las revisiones sistemáticas, y debilita la calidad de la síntesis de la evidencia.

Implicaciones prácticas

Para los autores de los artículos:
- Redactar resúmenes completos, claros y estructurados, siguiendo las guías de reporte, aumenta la visibilidad de sus estudios en revisiones sistemáticas.
- Una mala calidad de resumen puede traducirse en menor probabilidad de ser incluido en síntesis de evidencia, incluso si el estudio es relevante.
Para los equipos de revisiones sistemáticas:
- Deben ser conscientes de que los algoritmos de cribado dependen de la calidad del resumen: resúmenes pobres pueden ser omitidos por las herramientas.
- Es recomendable mantener estrategias de búsqueda amplias y sensibles, y vigilar el posible sesgo por omisión de estudios relevantes con resúmenes deficientes.
- Documentar esta limitación metodológica en los protocolos y discusiones de las revisiones.
Para los bibliotecarios:
- Al apoyar en búsquedas y cribado, conviene alertar sobre el riesgo de sesgo asociado a resúmenes mal redactados.
- Los bibliotecarios pueden desempeñar un papel formativo, promoviendo la adhesión a guías de reporte (CONSORT, STROBE, TRIPOD…) entre investigadores y clínicos.
- En la práctica, esto refuerza el papel del bibliotecario como garante de la calidad metodológica y transparencia en la síntesis de la evidencia.
En definitiva, escribir un buen resumen no es solo un ejercicio de comunicación científica: es una garantía de visibilidad, accesibilidad y rigor científico.

Referencia

Spiero I, Leeuwenberg AM, Moons KGM, Hooft L, Damen JAA, Write Your Abstracts Carefully – The Impact of Abstract Reporting Quality on Findability by Semi-Automated Title-Abstract Screening Tools. J Clin Epidemiol. 2025, doi: https://doi.org/10.1016/j.jclinepi.2025.111987.
La importancia de un buen resumen en las revisiones sistemáticas: inteligencia artificial y cribado de estudios

–––––––

Sep 26
En la literatura científica se habla mucho de cómo implementar prácticas basadas en la evidencia, pero mucho menos de cómo desimplementar aquellas que han demostrado ser ineficaces o incluso dañinas.

Las prácticas de bajo valor se consideran una fuente de “desperdicio” en los sistemas sanitarios: en EE. UU., se calcula que la atención de bajo valor supone entre 75 y 100 mil millones de dólares al año. La desimplementación no es simplemente “dejar de hacer algo”, sino un proceso activo que requiere superar barreras culturales, organizativas y de expectativas de pacientes y profesionales. Al igual que la implementación de prácticas de alto valor, la desimplementación es lenta: el artículo muestra que pueden pasar de 4 a 16 años hasta lograr una reducción del 50 % en el uso de ciertas pruebas.

Un reciente artículo publicado en BMJ Quality & Safety (LeLaurin JH, et al., 2025) analiza precisamente este aspecto: el tiempo que tarda el sistema sanitario en dejar de utilizar cribados oncológicos de bajo valor, es decir, pruebas que no aportan beneficio real al paciente y que pueden generar costes innecesarios, ansiedad o complicaciones derivadas de procedimientos invasivos.

El artículo revisa el tiempo necesario para la desimplementación de prácticas de cribado oncológico de bajo valor en EE. UU. (clasificadas como Grade D por la USPSTF). Se estudian seis prácticas: cribado de cáncer cervical en <21 y >65 años, cribado de próstata en ≥70 años, y cribados de ovario, tiroides, testículo y páncreas en adultos asintomáticos.

Lo que muestra el estudio

En el caso del cribado de cáncer de cuello uterino:
- en mujeres menores de 21 años, se tardaron solo 4 años en reducir su uso a la mitad.
- en mayores de 65 años, la desimplementación llevó 16 años.
En el cribado de próstata en varones ≥70 años, más de una década después de publicarse las guías, aún no se ha alcanzado la reducción del 50 %.

Para otros cribados (ovario, tiroides, testículo, páncreas), la falta de datos fiables impide conocer el tiempo de desimplementación.

Barreras para la desimplementación
- Deficiente diseminación de la evidencia: los hallazgos que muestran la ineficacia o los daños de ciertas prácticas no siempre llegan de manera efectiva a los profesionales.
- Normas y hábitos arraigados: la inercia clínica y la práctica establecida dificultan abandonar procedimientos habituales.
- Resistencia al cambio: tanto de profesionales como de pacientes, que pueden percibir la retirada de una práctica como pérdida de calidad en la atención.
- Confusión y escepticismo: los cambios frecuentes en las guías clínicas generan dudas y desconfianza en la validez de las recomendaciones.
- Expectativas de los pacientes: algunos esperan recibir pruebas o tratamientos de rutina, incluso cuando no son necesarios, lo que ejerce presión sobre los médicos para mantenerlos.
- Necesidad de atención personalizada y decisión compartida: en algunos casos puede justificarse un uso selectivo de la práctica en pacientes concretos, lo que complica su retirada universal.
- Consecuencias no deseadas de la desimplementación:
  - reducción de ingresos en el sistema sanitario,
  - utilización inapropiada de otras prácticas,
  - pérdida de confianza por parte de los pacientes.
Conclusiones

Retirar de forma sistemática el cribado oncológico de bajo valor podría aumentar la eficiencia de los sistemas de salud, mejorar los resultados en salud (menos efectos adversos y menos ansiedad en pacientes), reducir los costes de la atención sanitaria y aumentar la eficiencia de los sistemas de salud.

Si implementar lo nuevo ya es lento (de media 15 años para que una innovación llegue al 50 % de uso), abandonar lo que no funciona puede ser aún más difícil y desigual. De ahí la importancia de contar con estrategias activas de desimplementación, sistemas de monitorización sólidos y profesionales de la salud comprometidos con la mejora continua.

Bibliografía

LeLaurin JH, Pluta K, Norton WE, Salloum RG, Singh Ospina N. Time to de-implementation of low-value cancer screening practices: a narrative review. BMJ Qual Saf. 2025 Jul 18;34(8):547-555. doi: 10.1136/bmjqs-2025-018558.

Shrank WH, Rogstad TL, Parekh N. Waste in the US Health Care System: Estimated Costs and Potential for Savings. JAMA. 2019 Oct 15;322(15):1501-1509. doi: 10.1001/jama.2019.13978.

Khan S , Chambers D , Neta G . Revisiting time to translation: implementation of evidence-based practices (EBPs) in cancer control. Cancer Causes Control 2021;32:221–30. doi:10.1007/s10552-020-01376-z
¿Por qué cuesta tanto abandonar cribados oncológicos de bajo valor?

–––––––

Sep 15

La inteligencia artificial está irrumpiendo con fuerza en la síntesis de evidencia. Un estudio reciente de la Agencia Canadiense de Medicamentos (CDA-AMC) ofrece datos interesantes que conviene conocer (Featherstone R, Walter M, MacDougall D, Morenz E, Bailey S, Butcher R, et al. Artificial Intelligence Search Tools for Evidence Synthesis: Comparative Analysis and Implementation Recommendations. Cochrane Evidence Synthesis and Methods. 2025;3(5):e70045, doi: 10.1002/cesm.70045.).

Este artículo tuvo como objetivo evaluar el potencial de herramientas de búsqueda basadas en inteligencia artificial (Lens.org, SpiderCite y Microsoft Copilot) para apoyar la síntesis de evidencia vs. métodos de búsqueda tradicionales y establecer recomendaciones de implementación bajo un enfoque “fit for purpose”, es decir, utilizar cada herramienta solo para tareas específicas donde aporten valor. Se evaluaron siete proyectos completados en la agencia, aplicando búsquedas de referencia (método tradicional) frente a búsquedas con cada herramienta de IA. Se midieron sensibilidad/recall, número necesario a leer (NNR), tiempo de búsqueda y cribado, y contribuciones únicas de cada herramienta. Además, se recogió experiencias de los especialistas en información sobre usabilidad, limitaciones y sorpresas en el uso de los tres sistemas.

Resultados

Método / Herramienta	Sensibilidad promedio	Diferencias entre proyectos simples y complejos	NNR (número necesario a leer)	Tiempo de búsqueda	Observaciones principales
Métodos tradicionales	0.98 – 1 (casi perfecta)	Consistentemente alta en todos los proyectos	Más bajo que IA	2.88 h en promedio	Estándar de referencia, máxima fiabilidad
Lens.org	0.676	Simples: 0.816 Complejos: 0.6	Más alto que el estándar (98 vs 83)	Mayor tiempo (2.25 h, más que Copilot o SpiderCite)	Mejor de las IA, pero menos eficiente; útil en búsquedas simples y de autores
SpiderCite	0.23 – 0.26	Similar en simples y complejos	Variable (Cited by mejor que Citing)	~1.25 h	Muy baja sensibilidad, pero puede aportar referencias únicas en temas complejos; solo útil como complemento
Copilot	0.24 (muy variable: 0–0.91 según proyecto)	Simples: 0.41 Complejos: 0.15	Muy variable (mejor en simples, muy alto en complejos)	Más rápido (0.96 h promedio)	Dependiente de la calidad de los prompts; no sustituye estrategias, útil para sugerir palabras clave

Sensibilidad = proporción de estudios relevantes efectivamente recuperados.
NNR = número necesario a leer; cuanto menor, mejor eficiencia de cribado.

Verde = mejor desempeño relativo. Amarillo = intermedio / aceptable. Rojo = débil. Naranja = muy variable según proyecto.

Discusión

Las herramientas de IA mostraron rendimiento variable e inconsistente, lo que implica que no pueden reemplazar las búsquedas profesionales estándar en revisiones sistemáticas.
Pueden generar falsa confianza en usuarios sin experiencia. Se requiere conocimiento experto en construcción de estrategias y en validación de resultados para corregir limitaciones.
Limitaciones del estudio: solo se evaluaron 7 proyectos y 3 herramientas, sin analizar combinaciones entre ellas

Recomendaciones de implementación

La CDA-AMC propuso un uso limitado y estratégico:

Lens.org: útil para revisiones con preguntas acotadas y técnicas (como dispositivos con una función o población bien definida) o para identificar rápidamente autores vinculados a un tema o indicación clínica cuando los métodos estándar no alcanzan.
SpiderCite: complemento para búsquedas de citas en proyectos complejos, siempre que se disponga de artículos semilla.
Copilot (u otros LLMs): apoyo en la generación de palabras clave y términos de búsqueda, pero no para estrategias completas

Conclusión

Las tres herramientas evaluadas (Lens.org, SpiderCite, Copilot) no son adecuadas para reemplazar estrategias de búsqueda complejas en revisiones sistemáticas, debido a variabilidad en sensibilidad y precisión. Sin embargo, tienen potencial como apoyos puntuales en tareas específicas: generación de términos, búsquedas simples o de citas, y exploración preliminar. El estudio subraya la necesidad de mantener el papel central del bibliotecario/experto en información en la validación de cualquier resultado generado con IA, y de continuar monitorizando nuevas herramientas dada la rápida evolución tecnológica.

Reflexiones para quienes trabajamos en bibliotecas médicas

Las herramientas de IA pueden ahorrar tiempo en fases preliminares, generar ideas de términos de búsqueda, identificar autores, pero no deben utilizarse como única estrategia para revisiones sistemáticas si se espera exhaustividad.
Es clave entender los límites: sensibilidad menor, posible sesgo en lo que captura IA, variabilidad según prompt o según lo cerrado o amplio que sea el tema.
Siempre debe haber validación humana experta, verificación de resultados únicos que aparezcan en IA, comparación con lo recuperado por métodos tradicionales.

¿Herramientas de IA en búsquedas para revisiones sistemáticas?

–––––––

Sep 11

Las revisiones sistemáticas, consideradas el estándar de oro para responder preguntas clínicas específicas, no están exentas de limitaciones. De hecho, una revisión sistemática refleja las limitaciones de los estudios que incluye, por lo que resulta imprescindible evaluar críticamente cada estudio seleccionado para determinar si puede introducir sesgos en los resultados globales.

Una vez seleccionados los estudios relevantes para una revisión sistemática, el siguiente paso clave es evaluar su calidad metodológica/riesgo de sesgo. Este proceso, lejos de ser neutro o puramente técnico, puede estar sujeto a sesgos de interpretación que afectan tanto la validez de los resultados como la confianza en las conclusiones.

Es importante distinguir entre riesgo de sesgo y calidad metodológica

El riesgo de sesgo se refiere a la posibilidad de que los resultados de un estudio estén sistemáticamente sobrestimados o subestimados debido a errores en su diseño o ejecución. Por ejemplo, un estudio con alta calidad metodológica puede tener alto riesgo de sesgo si, por razones inherentes al diseño, no se pudo aplicar el cegamiento. Del mismo modo, no todas las debilidades metodológicas suponen sesgo: omitir la predeterminación del tamaño muestral puede considerarse una limitación, pero no necesariamente introduce sesgo sistemático.

¿Qué puede sesgar la evaluación de calidad?

El juicio de calidad que emite una persona revisora no siempre es objetivo. Distintos factores pueden influir en su valoración:
- Nombre de los autores o afiliaciones institucionales;
- Revista donde se publica el estudio;
- Resultados del estudio (si son positivos o negativos);
- Experiencia previa y formación metodológica del evaluador:
- Conflictos de interés, como ocurre cuando quienes evalúan han participado como autores en algunos de los estudios incluidos.
Por ejemplo, Pieper et al. (2018) encontraron que las revisiones sistemáticas en las que los autores de la revisión general también habían participado en alguna de las revisiones incluidas tendían a recibir puntuaciones de mayor calidad.

¿Cómo reducir el sesgo de interpretación?

Existen varias estrategias basadas que pueden ayudar a aumentar la objetividad y transparencia en la evaluación de calidad:

Usar herramientas estructuradas y validadas

Se recomienda utilizar herramientas formales de evaluación crítica o de riesgo de sesgo, adaptadas al diseño de los estudios incluidos.

Existen numerosos instrumentos desarrollados en las últimas décadas, lo que puede dificultar la elección. Algunas fuentes útiles para orientar esta decisión son:
El diagrama de flujo proporcionado por LATITUDES es una guía valiosa en este proceso de selección de la herramienta, pero es importante complementarlo con un conocimiento profundo de las características de cada herramienta y las especificidades del estudio en cuestión. Una selección cuidadosa asegura que todos los aspectos relevantes de la calidad del estudio sean evaluados adecuadamente, fortaleciendo así la validez de la síntesis de evidencia.

Evaluación por revisores múltiples
- Se sugiere que dos revisores evalúen de forma independiente cada estudio.
- Si no es posible una doble evaluación completa, al menos se recomienda que un segundo revisor verifique las evaluaciones realizadas, ya sea en todos los estudios o en una muestra.
Evaluación ciega

Algunas revisiones han experimentado con la evaluación ciega, ocultando nombres de autores y revistas durante la valoración. Sin embargo, los resultados son inconsistentes (Morissette, 2011).

BIBLIOGRAFÍA

Pieper D, Waltering A, Büchter RB. Quality ratings of reviews in overviews: a comparison of reviews with and without dual (co-)authorship. Syst Rev. 2018;7:63; doi: 10.1186/s13643-018-0722-9.

Morissette K, Tricco AC, Horsley T, et al. Blinded versus unblinded assessments of risk of bias in studies included in a systematic review. Cochrane Database of Systematic Reviews 2011;9(MR000025); doi: 10.1002/14651858.MR000025.pub2/full.

The LATITUDES Network. n.d. Available from: https://www.latitudes-network.org/ [Last accessed: 7/9/2025].

JBI. JBI Critical Appraisal Tools. n.d. Available from: https://jbi.global/critical-appraisal-tools [Last accessed: 7/9/2025].
Evaluacion de la calidad de los estudios incluidos en una revisión sistemática

–––––––

Jul 9

La etapa de extracción de datos consiste en obtener, de forma estructurada y rigurosa, la información relevante de los estudios primarios para responder adecuadamente a la pregunta de investigación; es un proceso crítico que no solo asegura la integridad de los hallazgos, sino que también permite una comparación efectiva entre diferentes investigaciones. Dicha información suele proceder de artículos científicos revisados por pares, pero también puede encontrarse en informes regulatorios, protocolos, registros de ensayos, comunicaciones con autores o informes no publicados, cada uno de los cuales aporta un ángulo particular que enriquece la base de datos general. En las revisiones sistemáticas, la unidad de análisis es el estudio, no el informe, lo que significa que es necesario considerar el contexto completo de cada investigación. Por ello, es fundamental identificar y vincular múltiples informes que correspondan a un mismo estudio antes o después de la extracción de datos; este proceso permite evitar la duplicación de información y asegura que se capturen todos los resultados relevantes. Todos estos aspectos se desarrollan en detalle en el Capítulo 5 del Cochrane Handbook for Systematic Reviews of Interventions (1), un recurso clave que proporciona directrices actualizadas sobre cómo llevar a cabo una extracción de datos rigurosa, transparente y reproducible, así como ejemplos prácticos que pueden ayudar a los investigadores a implementar estos procedimientos de manera efectiva en sus propias revisiones sistemáticas.

En dos entradas anteriores de BiblioGetafe, «Evitar sesgos en la búsqueda bibliográfica: claves para revisiones rigurosas» (1) y «Selección de estudios sin sesgos en revisiones sistemáticas: 6 principios y 4 consejos» (2), analizamos los sesgos en las etapas de búsqueda bibliográfica y selección de estudios. En esta entrada, revisamos los errores más frecuentes que pueden surgir en la extracción de datos, su impacto sobre los resultados de la revisión y las mejores prácticas para minimizarlos y garantizar la fiabilidad del proceso. Estos errores pueden incluir desde la mala interpretación de las fuentes de datos hasta la manipulación incorrecta de los mismos, lo que puede llevar a conclusiones erróneas y, en última instancia, a decisiones inadecuadas. Para abordar estos desafíos, es fundamental identificar las causas de los errores y aplicar estrategias efectivas, como la implementación de controles de calidad rigurosos, la capacitación adecuada del personal involucrado y el uso de herramientas de software avanzadas que faciliten una extracción de datos más precisa y eficiente. De este modo, se puede mejorar significativamente la integridad y la validez de los resultados obtenidos, contribuyendo a un proceso de análisis más robusto y confiable.

Errores frecuentes

La extracción de datos no está libre de riesgos. Estos pueden deberse a:

Mala interpretación de los datos presentados en los estudios.
Omisión de variables relevantes.
Errores en la recogida de datos clave como el número de participantes, medias, desviaciones estándar o tamaños del efecto (3-5).

Una revisión metodológica identificó tasas de error en la extracción de datos que oscilan entre el 8% y el 70%, dependiendo del tipo de desenlace y del diseño de la revisión (5). Afortunadamente, la mayoría de los estudios concluyen que estos errores suelen tener un impacto bajo o moderado en los resultados globales de la revisión (5-6).

¿Cómo reducir los errores?

Existen varias estrategias recomendadas:

Uso de formularios estructurados: ayudan a definir de forma clara qué datos deben extraerse y cómo codificarlos. Los autores de revisiones suelen tener distintos perfiles profesionales y niveles de experiencia en revisiones sistemáticas. El uso de un formulario de extracción de datos contribuye a garantizar cierta consistencia en el proceso de recogida de información y resulta imprescindible para comparar los datos extraídos por duplicado. Es recomendable realizar una prueba piloto de los formularios mediante una muestra representativa de los estudios que se van a revisar, comparando extracciones independientes de varios revisores sobre un pequeño número de estudios (3). Como mínimo, el formulario de extracción de datos (o una versión muy similar) debe haber sido evaluado en cuanto a su usabilidad.
Doble extracción de datos: Es importante proporcionar instrucciones detalladas a todos los revisores que utilizarán el formulario de obtención de datos. Al menos dos personas deben extraer de forma independiente la información para disminuir los errores y reducir los sesgos potenciales. La duplicación es especialmente importante para los datos de desenlaces, ya que estos alimentan directamente la síntesis de la evidencia y, en consecuencia, las conclusiones de la revisión. En caso de desacuerdo, el equipo ha de discutir la información extraída de cada uno de los artículos hasta llegar al acuerdo. Duplicar el proceso de extracción de datos reduce tanto el riesgo de cometer errores como la posibilidad de que la selección de datos se vea influida por los sesgos de una sola persona. Se ha demostrado que realizar la extracción de forma independiente por dos revisores reduce significativamente los errores, frente a la extracción por un único revisor con o sin verificación posterior (5). Si no es posible el doble proceso, al menos debería realizarse una verificación independiente de los datos extraídos, ya sea sobre una muestra o sobre todos los estudios incluidos.
Mayor rigor en datos sensibles: se aconseja prestar especial atención a la información que requiere interpretación subjetiva y a los datos críticos para la síntesis, como los resultados principales. En estos casos, se justifica un proceso de extracción más exhaustivo (3).

Tabla resumen de las estrategias para reducir errores en la extracción de datos

Estrategia	Descripción	Mejora	Referencia
Uso de formulario estructurado	Define claramente qué datos extraer y cómo codificarlos	Mejora la consistencia y precisión	Li et al., 2024
Pilotaje del formulario	Prueba piloto previa con varios revisores sobre algunos estudios	Identifica instrucciones ambiguas o errores	Li et al., 2024
Doble extracción independiente	Dos revisores extraen datos por separado	Reduce significativamente los errores y sesgos	Mathes et al., 2017
Verificación por segundo revisor (si no hay doble)	Revisión de una muestra o del total por otro revisor	Detecta errores no evidentes	Mathes et al., 2017
Rigor adicional para datos clave o subjetivos	Más control en la extracción de resultados primarios o interpretativos	Mayor validez en la síntesis final	Li et al., 2024

BIBLIOGRAFÍA

Campos-Asensio C. Evitar sesgos en la búsqueda bibliográfica: claves para revisiones rigurosas. 2025. Available from: https://bibliogetafe.com/2025/06/23/evitar-sesgos-en-la-busqueda-bibliografica-claves-para-revisiones-rigurosas/ [Last accessed: 6/30/2025].
Campos-Asensio C. Selección de estudios sin sesgos en revisiones sistemáticas: 6 principios y 4 consejos. 2025. Available from: https://bibliogetafe.com/2025/06/24/riesgos-y-soluciones-para-una-seleccion-de-estudios-sin-sesgos-en-revisiones-sistematicas/ [Last accessed: 6/30/2025].
Li T, Higgins JPT, Deeks JJ. Chapter 5: Collecting data [last updated October 2019]. In: Higgins JPT, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, Welch VA (editors). Cochrane Handbook for Systematic Reviews of Interventions version 6.5. Cochrane, 2024. Available from cochrane.org/handbook.
Gøtzsche PC, Hróbjartsson A, Marić K, Tendal B. Data extraction errors in meta-analyses that use standardized mean differences. JAMA. 2007;298(4):430–7.
Mathes T, Klaßen P, Pieper D. Frequency of data extraction errors and methods to increase data extraction quality: a methodological review. BMC Med Res Methodol. 2017;17(1):152.
Buscemi N, Hartling L, Vandermeer B, Tjosvold L, Klassen TP. Single data extraction generated more errors than double data extraction in systematic reviews. J Clin Epidemiol. 2006;59(7):697–703.

Extracción de datos en revisiones sistemáticas: 5 recomendaciones para evitar sesgos

–––––––

Jun 30

«Recall absoluto» y «recall relativo»

6 Etapas del flujo de trabajo del bibliotecario

Cálculo e Interpretación

¿Qué pasa si la sensibilidad es baja?

Bibliografía

La ciencia «zombi» que amenaza la práctica clínica

Poniendo cifras al problema

¿La inclusión de estos estudios retractados altera realmente las conclusiones de la evidencia?

Solución compartida y cómo detectarlo

Hacia una evidencia más robusta y fiable

Bibliografía

Preguntas frecuentes

¿Puedo citar PRISMA 2020 como metodología? No, es una guía de reporte (y por qué importa)

El Gran Malentendido: reporte vs. metodología

Analogía culinaria

Qué es PRISMA y qué incluye (componentes):

Para qué sirve (y por qué importa)

Qué NO es PRISMA 2020

Cómo usar PRISMA 2020 bien

Aclaración técnica para el diagrama de flujo PRISMA 2020

Malas utilizaciones frecuentes

¿Es PRISMA la única guía de reporte? NO

¿Y entonces, qué guías metodológicas debo seguir para mi revisión?

Bibliografía

¿Por qué surgen las revisiones paraguas?

¿Cuándo debemos hacer una revisión paraguas?

Características de las revisiones paraguas

¿Cómo hacer una revisión paraguas?

Principales aportaciones del artículo de Liu et al. (2025)

¿Quieres evaluar tus conocimientos de las revisiones paraguas?

BIBLIOGRAFÍA

Las limitaciones de Rayyan

La novedad: “Mi Biblioteca” (My Library)

Beneficios de «My Library»

Implicaciones para bibliotecas hospitalarias y equipos de revisión

Cautelas (importantes)

En resumen …

Tareas en las que puede intervenir la IA

Ventajas/Oportunidades del uso de la IA

Inconvenientes y retos del uso de IA en las revisiones sistemáticas

Un modelo sinérgico: IA + bibliotecario

En resumen (recuerda las pautas RAISE) …

1) Antes de usar IA: 4 decisiones clave

2) ¿Dónde aporta valor la IA? (y qué control aplicar)

3) Buenas prácticas de reporte

4) Cómo informar el uso de IA en protocolo y manuscrito

5. Formación del equipo

6) Herramientas (ejemplos y notas prácticas)

7) Recomendación final

¿Qué son los principios RAISE?

Cómo se implementan las recomendaciones RISE

Plantilla para declarar el uso de IA (copiar/pegar)

Tabla traducida al español de RAISE (versión 2.1 en desarrollo a partir del 22 de septiembre de 2025)

Conclusión

Bibliografía

Qué dice la evidencia más reciente sobre LLMs

¿Dónde aporta más (hoy) la IA?

1) Cribado (títulos/resúmenes y, con matices, texto completo)

2) Extracción de datos (modo asistido)

3) Apoyo metodológico y redacción

¿Dónde no conviene delegar (aún)?

A) Búsqueda bibliográfica “end-to-end”: rol de apoyo y supervisión humana

B) Riesgo de sesgo (RoB): esta etapa requiere juicio humano

C) Extracción desde tablas/figuras complejas

Flujo recomendado: IA-asistida, humano en el bucle

Riesgos (y cómo mitigarlos)

Recuerda:

Bibliografía

¿Por qué es importante esto?

Implicaciones prácticas

Referencia

Lo que muestra el estudio

Barreras para la desimplementación

Conclusiones

Bibliografía

Resultados

Discusión

Recomendaciones de implementación

Conclusión

Reflexiones para quienes trabajamos en bibliotecas médicas