ยฟCuรกnto trabajo hay detrรกs de un diagrama PRISMA? Quienes participamos en equipos de revisiones sistemรกticas sabemos que bastante mรกs del que parece.
El diagrama de flujo PRISMA 2020 resume el proceso de identificaciรณn y selecciรณn de estudios: registros recuperados, duplicados eliminados, referencias cribadas, informes evaluados a texto completo, exclusiones y estudios finalmente incluidos.
Todo parece muy ordenado cuando vemos el diagrama terminado. Sin embargo, conseguir que todas las cifras cuadren y, sobre todo, poder explicar de dรณnde procede cada una de ellas puede convertirse en una de las tareas mรกs laboriosas de una revisiรณn sistemรกtica.
ยฟQuรฉ nos muestra realmente un diagrama PRISMA 2020?
PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) es una guรญa para mejorar la transparencia y la integridad de la informaciรณn publicada sobre las revisiones sistemรกticas [1].
Su diagrama de flujo documenta el recorrido de los registros bibliogrรกficos desde su identificaciรณn hasta la inclusiรณn de los estudios en la revisiรณn.
El diagrama que acompaรฑa esta entrada corresponde a una actualizaciรณn de una revisiรณn sistemรกtica e incluye tres vรญas: los estudios de la versiรณn anterior, los nuevos registros identificados mediante bรบsquedas en bases de datos y registros de estudios, y los localizados mediante otros mรฉtodos, como la bรบsqueda de citas hacia atrรกs y hacia delante (backward/forward citation searching).
Las tres vรญas confluyen en el conjunto de estudios incluidos en la versiรณn actualizada de la revisiรณn.
Figura 1. Diagrama de flujo PRISMA 2020 para actualizaciones de revisiones sistemรกticas: estudios previos, identificaciรณn de nuevos registros mediante bases de datos y otras fuentes, cribado, evaluaciรณn de elegibilidad e inclusiรณn final. Plantilla sin cumplimentar. Fuente: Page et al. [1]. Licencia Creative Commons CC BY 4.0
la bรบsqueda de citas hacia atrรกs y hacia delante (backward/forward citation searching) merece especial atenciรณn. La bรบsqueda bibliogrรกfica no termina cuando ejecutamos las estrategias en las bases de datos. Las bรบsquedas complementarias pueden identificar nuevos estudios, pero tambiรฉn generan referencias duplicadas, publicaciones adicionales de estudios ya conocidos y nuevos informes que deben evaluarse.
Ademรกs, PRISMA distingue entre registros (records), informes (reports) y estudios (studies). No son equivalentes: un mismo estudio puede tener varios artรญculos, resรบmenes de congresos o registros de ensayos clรญnicos asociados.
Esta distinciรณn, aparentemente sencilla, resulta fundamental cuando llega el momento de completar el diagrama.
Lo complicado es conseguir que las cifras cuadren
Durante una revisiรณn sistemรกtica se incorporan nuevas bรบsquedas, se eliminan duplicados, se recuperan textos completos y se resuelven discrepancias entre revisores.
Tambiรฉn pueden cambiar decisiones iniciales de inclusiรณn o exclusiรณn despuรฉs de revisar un artรญculo, recibir informaciรณn de sus autores o discutir un caso con el equipo.
Todo esto debe reflejarse correctamente en los recuentos.
El problema aparece cuando, al preparar el diagrama final, intentamos reconstruir quรฉ ocurriรณ meses atrรกs. ยฟCuรกntos registros procedรญan realmente de cada bรบsqueda? ยฟQuรฉ duplicados se eliminaron? ยฟPor quรฉ se excluyรณ determinado informe? ยฟSe modificรณ posteriormente alguna decisiรณn? ยฟUna publicaciรณn corresponde a un estudio nuevo o a otro ya incluido?
Si no hemos conservado esta informaciรณn, puede resultar muy difรญcil responder.
Y en las actualizaciones de revisiones sistemรกticas, la situaciรณn se complica todavรญa mรกs, porque debemos integrar los estudios previos con los nuevos resultados sin duplicar informes ni estudios.
La importancia de guardar todas las decisiones del equipo
Este es uno de los aspectos que considero mรกs importantes en nuestro trabajo como bibliotecarios especializados en ciencias de la salud.
No basta con conservar las estrategias de bรบsqueda y los archivos de referencias. Tambiรฉn necesitamos mantener un registro de las decisiones que se van tomando durante la revisiรณn, especialmente cuando afectan a la selecciรณn de estudios y a las cifras del diagrama PRISMA.
ยฟQuรฉ informaciรณn deberรญamos conservar?
Las bรบsquedas realizadas: fuentes consultadas, estrategias, fechas, resultados obtenidos y sucesivas actualizaciones.
La gestiรณn de referencias: archivos originales, procedimientos de deduplicaciรณn y nรบmero de registros eliminados.
Las decisiones de selecciรณn: inclusiones, exclusiones, discrepancias entre revisores y resoluciones finales.
Los motivos de exclusiรณn a texto completo: con criterios claros y aplicados de forma consistente.
Los cambios acordados por el equipo: modificaciones de criterios, reclasificaciones de estudios, correcciones de errores y cualquier decisiรณn que altere los recuentos.
Especialmente importante es conservar las decisiones que se toman en reuniones, intercambios de correos electrรณnicos o conversaciones entre los revisores. Una decisiรณn puede estar perfectamente justificada, pero si no queda documentada, serรก difรญcil reconstruirla posteriormente.
En mi opiniรณn, los bibliotecarios que participamos en revisiones sistemรกticas debemos prestar especial atenciรณn a esta documentaciรณn y contribuir a mantener un registro organizado y actualizado de las decisiones del equipo, con responsabilidades acordadas desde el inicio.
Un diagrama PRISMA no deberรญa construirse al final intentando reconstruir el proceso. Deberรญa ser el resultado de un seguimiento documental mantenido desde el inicio.
Las plataformas de cribado, los gestores bibliogrรกficos y las hojas de seguimiento pueden ayudarnos, pero lo importante es que exista un procedimiento claro y compartido.
Hay que conservar la informaciรณn necesaria para saber quรฉ se decidiรณ, cuรกndo, por quiรฉn y por quรฉ, asรญ como sus consecuencias sobre la selecciรณn de estudios.
Trazabilidad y transparencia: algo mรกs que cumplir PRISMA
PRISMA 2020 establece quรฉ informaciรณn debe comunicarse sobre el proceso de identificaciรณn y selecciรณn de estudios [1]. Por su parte, PRISMA-S proporciona recomendaciones especรญficas para documentar las bรบsquedas bibliogrรกficas [2].
Pero cumplir estas recomendaciones exige haber registrado adecuadamente el trabajo realizado.
La trazabilidad nos permite reconstruir el recorrido de cada referencia y justificar las decisiones tomadas. La transparencia permite que los lectores conozcan y puedan valorar cรณmo se llevรณ a cabo el proceso.
Y ambas dependen de una documentaciรณn fiable.
Una revisiรณn sistemรกtica puede prolongarse durante meses, incorporar nuevas bรบsquedas y reunir a investigadores de distintos centros. En estas circunstancias, confiar en la memoria de los participantes o en archivos dispersos resulta especialmente arriesgado.
Por eso, la participaciรณn del bibliotecario especializado no deberรญa terminar con la entrega de los resultados de bรบsqueda. Tambiรฉn podemos contribuir a organizar, documentar y verificar la informaciรณn necesaria para que el proceso sea coherente y reproducible.
Bibliografรญa
Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372. doi: 10.1136/bmj.n71.
Rethlefsen ML, Kirtley S, Waffenschmidt S, Ayala AP, Moher D, Page MJ, et al. 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.
ยฟPodemos considerar exhaustiva una bรบsqueda para una revisiรณn sistemรกtica cuando se limita a las grandes bases de datos internacionales?
Esta es la cuestiรณn que plantea Kwok Kei Mak en una reciente carta publicada en Journal of Clinical Epidemiology. Su propuesta resulta especialmente interesante para bibliotecarios y especialistas de informaciรณn que participan en equipos de revisiones sistemรกticas y en un momento en el que los grandes modelos de lenguaje (LLM) y las herramientas de traducciรณn mediante inteligencia artificial pueden reducir algunas de las barreras prรกcticas que tradicionalmente han dificultado las bรบsquedas multilingรผes.
El problema: ยฟSon suficientes PubMed o Web of Science?
En muchas revisiones sistemรกticas se utilizan prioritariamente grandes รญndices internacionales como PubMed o Web of Science. Sin embargo, Mak recuerda que existen bases de datos especรญficas de determinados idiomas o regiones que pueden contener literatura insuficientemente representada en esos recursos.
Entre los ejemplos que menciona se encuentran Airiti y CNKI para literatura china, CiNii y J-STAGE para literatura japonesa y RISS, DBpia y KMBASE para literatura coreana.
La cuestiรณn puede ser particularmente importante cuando existen diferencias transculturales, caracterรญsticas poblacionales regionales o mรฉtricas diagnรณsticas locales capaces de influir en los resultados de los estudios. Buscar exclusivamente en bases internacionales podrรญa, en determinadas preguntas, producir una representaciรณn geogrรกfica incompleta de la evidencia disponible.
En otras palabras:
Bรบsqueda exhaustiva โ bรบsqueda exhaustiva รบnicamente en bases de datos internacionales.
La selecciรณn de fuentes deberรญa considerar tambiรฉn la representaciรณn lingรผรญstica y geogrรกfica pertinente para la pregunta y la poblaciรณn de interรฉs.
ยฟQuรฉ puede aportar la IA?
Constituir equipos capaces de buscar en mรบltiples idiomas y manejar bases de datos regionales ha supuesto tradicionalmente una dificultad prรกctica. Mak considera que los LLM y las herramientas de traducciรณn mediante IA pueden ayudar a los equipos a traducir estrategias de bรบsqueda y desenvolverse en interfaces de bases de datos especรญficas de otros idiomas.
Pero esto no significa:
LLM โ estrategia traducida โ bรบsqueda
La propuesta incorpora explรญcitamente la supervisiรณn humana:
Estrategia original โ traducciรณn/adaptaciรณn mediante LLM โ verificaciรณn humana โ estrategia adaptada a la base regional โ bรบsqueda
Para la adaptaciรณn de tรฉrminos MeSH y palabras clave, Mak propone concretamente una verificaciรณn human-in-the-loop.
Por tanto, la IA se plantea como una herramienta para ampliar las posibilidades de la bรบsqueda, no como sustituta de la competencia profesional necesaria para diseรฑarla y validarla.
Y aquรญ el papel del bibliotecario o especialista de informaciรณn resulta particularmente relevante: traducir palabras no equivale necesariamente a traducir una estrategia de bรบsqueda. Hay que preservar conceptos, variantes terminolรณgicas, vocabularios controlados, operadores, sintaxis, campos y comportamiento de cada plataforma.
Una propuesta de cambio para PRISMA, PRISMA-S y Cochrane Handbook
La carta va mรกs allรก de recomendar que busquemos en otros idiomas. Mak propone introducir cambios explรญcitos en algunos de los principales marcos metodolรณgicos y de presentaciรณn de las revisiones sistemรกticas.
Para PRISMA 2020, propone que en los รญtems 6 y 7 de Mรฉtodos se informe de si se buscaron bases regionales especรญficas del idioma pertinentes para la pregunta o la poblaciรณn y que, cuando no se hayan utilizado, se justifique su exclusiรณn.
Para PRISMA-S, propone documentar las estrategias de bรบsqueda utilizadas en idiomas distintos del inglรฉs y los procedimientos de traducciรณn de las consultas asistidos por IA empleados en las plataformas regionales.
Finalmente, para Cochrane Handbook, plantea desarrollar directrices formales para utilizar LLM en la traducciรณn y adaptaciรณn de tรฉrminos MeSH y palabras clave, incorporando obligatoriamente la verificaciรณn humana por hablantes nativos o expertos regionales.
Bibliografรญa
Mak KK. Beyond English: Proposing Standards for Language-Specific Database Integration in Systematic Reviews. J Clin Epidemiol. 2026. doi:10.1016/j.jclinepi.2026.112529.
ยฟPodemos utilizar inteligencia artificial para buscar bibliografรญa, redactar un manuscrito o preparar una figura? ยฟHay que declarar siempre su uso? ยฟY quรฉ ocurre con las referencias bibliogrรกficas?
JAMA acaba de publicar una actualizaciรณn de sus recomendaciones para el uso de inteligencia artificial (IA) por los autores de trabajos cientรญficos. Se puede acceder desde: https://doi.org/10.1001/jama.2026.16613
El documento resulta especialmente รบtil porque abandona el debate genรฉrico de IA sรญ o IA no y establece reglas diferentes segรบn para quรฉ se haya utilizado la herramienta.
El principio general es sencillo: la IA puede asistir al investigador, pero exige pasar de la simple declaraciรณn de uso a documentar de forma precisa cรณmo ha intervenido en el trabajo y mantener siempre la verificaciรณn y responsabilidad humanas.
ยฟQuรฉ podemos hacer con IA segรบn JAMA?
La tabla que acompaรฑa al editorial ofrece una guรญa bastante prรกctica:
Uso de IA
Polรญtica descrita
IA utilizada como parte de una investigaciรณn
Permitida, con descripciรณn completa en Mรฉtodos, cumplimiento de las recomendaciones de informe y responsabilidad de los autores.
Presentar datos generados por IA como si procedieran de investigaciรณn no basada en IA
No permitido.
Bรบsqueda bibliogrรกfica
Permitida, pero debe describirse cรณmo se utilizรณ la IA y los autores deben verificar la exactitud de los resultados.
Preparaciรณn del manuscrito
Permitida con declaraciรณn de uso y revisiรณn humana.
Gramรกtica y ortografรญa
Permitida; no requiere declaraciรณn.
Traducciรณn
Permitida, con declaraciรณn e indicando la herramienta utilizada y responsabilidad de los autores.
Artรญculos de opiniรณn, cartas al editor y comentarios
No se permite que la IA los redacte.
Referencias bibliogrรกficas
Desaconsejan el uso de IA para generarlas, formatearlas o gestionarlas; recomiendan gestores bibliogrรกficos convencionales.
Visualizaciรณn grรกfica de datos
Permitida, con declaraciรณn en la leyenda.
Imรกgenes, ilustraciones, vรญdeo o audio clรญnicos generados/manipulados mediante IA
No permitidos, salvo cuando formen parte formal del diseรฑo o metodologรญa de investigaciรณn.
Revisiรณn por pares
No permitida mediante herramientas externas de IA introduciendo en ella el manuscrito o el informe del revisor, por razones de confidencialidad.
Respuesta de los autores a revisores y editores
No permiten que sea redactada mediante IA.
Especial atenciรณn a las referencias bibliogrรกficas
Los editores seรฑalan que han recibido manuscritos con referencias incorrectas o inexistentes y recuerdan que los modelos pueden producir citas aparentemente verosรญmiles, con autores y tรญtulos plausibles, que en realidad no existen. Por ello recomiendan no confiar en los LLM para generar o gestionar bibliografรญa y comprobar siempre la integridad, exactitud y existencia de cada referencia.
ยฟY las bรบsquedas bibliogrรกficas con IA?
Este es probablemente uno de los aspectos mรกs interesantes del documento.
JAMA acepta expresamente el uso de IA en bรบsquedas bibliogrรกficas, siempre que se describa su utilizaciรณn, se compruebe la exactitud y los autores asuman la responsabilidad sobre los resultados.
Pero esta autorizaciรณn no significa que una bรบsqueda realizada exclusivamente mediante ChatGPT u otro LLM sea adecuada para una revisiรณn sistemรกtica. Para revisiones sistemรกticas y otras sรญntesis de evidencia, siguen siendo necesarias normas metodolรณgicas mucho mรกs exigentes. La IA puede utilizarse como herramienta de asistencia, pero delegaciรณn sin verificaciรณn, no, y transparencia suficiente para comprender quรฉ hizo realmente la herramienta.
Declarar que se utilizรณ IA no es suficiente
La aportaciรณn mรกs prรกctica del artรญculo es precisamente lo que entiende JAMA por transparencia.
Frente a frases genรฉricas como ยซse utilizรณ ChatGPT para ayudar en la preparaciรณn del manuscritoยป, documentarquรฉ herramienta se utilizรณ, cuรกndo, para quรฉ y sobre quรฉ parte concreta del trabajo mejora considerablemente la transparencia y la trazabilidad.
Cuando corresponda declarar la utilizaciรณn de IA, deberรญan indicarse:
Herramienta utilizada + versiรณn + fabricante + fecha de uso + finalidad + partes del manuscrito en las que intervino + confirmaciรณn de la responsabilidad de los autores.
JAMA solicita expresamente estos datos en su nueva polรญtica.
Bibliografรญa
Flanagin A, Perlis RH, Bibbins-Domingo K. Updated guidance for author use of AI in medical publication. JAMA. 2026;336(11):926-928. doi:10.1001/jama.2026.16613.
Abordamos uno de los temas mรกs actuales en nuestro campo: la incorporaciรณn de herramientas de inteligencia artificial (IA) en la bรบsqueda y descubrimiento de estudios primarios para revisiones sistemรกticas. Analizamos si estas plataformas estรกn listas para sustituir nuestros mรฉtodos tradicionales o si debemos enfocarlo desde otra perspectiva.
ยฟPuede la IA sustituir la bรบsqueda bibliogrรกfica tradicional?
La respuesta corta es: todavรญa no. La evidencia disponible respalda el uso de herramientas de IA como mรฉtodos exploratorios, complementarios y de verificaciรณn, pero no respalda su utilizaciรณn como sustitutos generales de una bรบsqueda bibliogrรกfica sistemรกtica y multibase diseรฑada por especialistas de la informaciรณn.
La principal razรณn para mantener esta cautela es la evidente pรฉrdida de exhaustividad (recall), unida a problemas de opacidad algorรญtmica, falta de cobertura adecuada en la literatura gris y graves retos de reproducibilidad (1).
Lo que nos dicen los estudios
El espejismo de la precisiรณn inicial: Las herramientas de inteligencia artificial son eficaces para colocar documentos muy relevantes en los primeros puestos de la pรกgina de resultados. Esto resulta รบtil para exploraciones rรกpidas, pero genera una falsa seguridad metodolรณgica en el usuario al ocultar todo el volumen de evidencia que el algoritmo ha omitido de forma invisible.
Un estudio del Comitรฉ de Metodologรญa de la European Academy of Allergy and Clinical Immunology (EAACI) comprobรณ que estrategias basadas en IA identificaron el 85,7% de los artรญculos provistos de DOI, pero su sensibilidad cayรณ al 56,3% respecto al total de ensayos elegibles. Las plataformas no lograron recuperar literatura gris ni ensayos no publicados de los registros (1).
Al evaluar flujos totalmente automatizados con GPT-4 en revisiones de retinopatรญa diabรฉtica, la IA identificรณ apenas entre el 6,1% y el 32,7% de los artรญculos incluidos originalmente (3).
Pรฉrdida crรญtica de sensibilidad: El pilar de una revisiรณn sistemรกtica es minimizar el sesgo de selecciรณn recuperando el universo completo de estudios elegibles. Los tres casos empรญricos citados demuestran que las plataformas actuales fracasan en esta tarea, omitiendo proporciones inaceptables de la literatura (desde un 43,7% en el mejor de los casos clรญnicos hasta mรกs de un 90% en flujos automatizados) (1, 4). En la evaluaciรณn del rendimiento de Elicit frente a las bรบsquedas bibliotecarias originales de cuatro revisiones sistemรกticas, la sensibilidad media de la IA fue solo del 37,9%, muy inferior al 93,5% de la bรบsqueda convencional (2).
Agravamiento del sesgo de publicaciรณn: El hallazgo de la EAACI revela una deficiencia algorรญtmica profunda: la IA depende casi exclusivamente de metadatos estructurados y documentos comerciales con DOI. Al ser incapaz de rastrear literatura gris, resรบmenes de congresos o registros de ensayos clรญnicos no publicados, la IA introduce un sesgo de difusiรณn que alterarรญa gravemente las estimaciones de cualquier metanรกlisis en salud (1).
Superioridad de la bรบsqueda experta: La diferencia entre Elicit (37,9%) y la bรบsqueda bibliotecaria original (93,5%) confirma que el modelo semรกntico o generativo no puede sustituir a la arquitectura booleana multibase (2). La combinaciรณn de vocabularios controlados (MeSH, Emtree), truncamientos y diseรฑo estructurado sigue siendo el รบnico patrรณn de referencia vรกlido.
Funciones metodolรณgicas defendibles: El enfoque hรญbrido
Para integrar la IA de forma metodolรณgicamente defendible, nunca debe aplicarse como una ยซcaja negraยป universal.
Funciรณn
Objetivo
Uso admisible
Exploraciรณn
Comprender conceptos, terminologรญa y estructura del campo.
Antes de cerrar el protocolo o la estrategia.
Complemento
Encontrar estudios no recuperados por coincidencia lรฉxica o por una fuente concreta.
En paralelo o despuรฉs de la bรบsqueda convencional.
Verificaciรณn
Comprobar si existen lagunas temรกticas o referencias clave ausentes.
Tras ejecutar la estrategia principal.
Actualizaciรณn
Detectar candidatos nuevos o relacionados.
Revisiones vivas o actualizaciรณn periรณdica.
Sustituciรณn parcial
Reducir tiempo en revisiones rรกpidas.
Solo en situaciones excepcionales y con alcance restringido.
Exploraciรณn: Muy รบtil en las etapas iniciales de la estrategia para comprender la terminologรญa y sugerir sinรณnimos locales. Advertencia: Los tรฉrminos propuestos pueden ser limitados o carecer de lenguaje controlado (MeSH/Emtree), por lo que siempre deben ser revisados y validados por un bibliotecario o especialista (1, 5-6).
Complemento: Usar la bรบsqueda semรกntica y las redes de citas en plataformas de IA (en paralelo o despuรฉs de la bรบsqueda convencional) resulta รบtil para hallar estudios que las cadenas booleanas no logran recuperar por simple coincidencia lรฉxica (1, 7-8).
Verificaciรณn: Las herramientas son eficaces para comprobar posibles lagunas temรกticas o asegurar la inclusiรณn de referencias clave tras haber ejecutado la estrategia principal (1).
Transparencia y documentaciรณn
Dado que un alto nรบmero de resultados relevantes puede dar una falsa sensaciรณn de seguridad, y considerando que la IA sufre de irreproducibilidad, la transparencia en el reporte es crucial.
Cualquier revisiรณn sistemรกtica que integre estas herramientas debe registrar y auditar el proveedor, la plataforma, la versiรณn o modelo, la fecha exacta, los prompts completos, el criterio de parada y los procesos de exportaciรณn. Aunque existen herramientas de apoyo emergentes como la lista de comprobaciรณn PRISMA-trAIce (9), es necesario aclarar que dicha lista no es una extensiรณn oficial y no cuenta actualmente con el respaldo ni la validaciรณn del grupo PRISMA (10).
Conclusiรณn
La revoluciรณn de la IA nos abre puertas increรญbles, pero los profesionales de la informaciรณn bibliotecaria seguimos siendo el eje de una sรญntesis de evidencia libre de sesgos y opacidad. El camino a seguir es metodolรณgicamente hรญbrido: mantengamos nuestra bรบsqueda sistemรกtica y transparente como motor principal e integremos la IA como un potente asistente especializado, bajo estricta supervisiรณn humana, documentaciรณn exhaustiva y validaciรณn constante.
Bibliografรญa
Sousa-Pinto B, Bognanni A, Jemioลo P, Vieira RJ, Nguyen TH, Munn Z, et al. Use of artificial intelligence-based platforms to support searches in evidence synthesis studies: a study of the EAACI Methodology Committee. Clin Transl Allergy. 2026;16:e70202.
Lau O, Golder S. Comparison of Elicit AI and traditional literature searching in systematic reviews using four case studies [preprint]. medRxiv. 2025. doi:10.1101/2025.06.17.25329772.
Chen HC, et al. Can large language models fully automate or partially assist paper selection in systematic reviews? Br J Ophthalmol. 2025. doi:10.1136/bjo-2024-326254.
Di Febo R, et al. Comparative evaluation of artificial intelligence-assisted literature search tools for identifying clinically meaningful evidence in cardiology. Eur Heart J Digit Health. 2026. doi:10.1093/ehjdh/ztag125.
Spillias S, Tuohy P, Andreotta M, et al. Human-AI collaboration to identify literature for evidence synthesis. Cell Rep Sustain. 2024;1:100132.
Chen X, Feng Y. Exploring the use of generative artificial intelligence in systematic searching: a comparative case study of a human librarian, ChatGPT-4 and ChatGPT-4 Turbo. IFLA J. 2025;51(1):84-93. doi:10.1177/03400352241263532.
van de Schoot R, Messina Coimbra B, Evenhuis T, et al. The hunt for the last relevant paper: blending the best of humans and AI. Eur J Psychotraumatol. 2025;16(1):2546214.
Wรคtzold F, Popiela B, Mayer J. Methodology for AI-based search strategy of scientific papers: exemplary search for hybrid and battery electric vehicles in the Semantic Scholar database. Publications. 2024;12(4):49. doi:10.3390/publications12040049
Holst D, Moenck K, Koch J, Schmedemann O, Schรผppstuhl T. Transparent reporting of AI in systematic literature reviews: development of the PRISMA-trAIce checklist. JMIR AI. 2025;4:e80247. Moher D, Page MJ, McKenzie JE, Takwoingi Y, Mayo-Wilson E. PRISMA-trAIce: a name without endorsement. JMIR AI. 2026;5:e104210.
Flemyng E, Noel-Storr A, Macura B, et al. Position statement on artificial intelligence (AI) use in evidence synthesis across Cochrane, Campbell Collaboration, JBI and Collaboration for Environmental Evidence 2025. Cochrane Database Syst Rev. 2025;(10):ED000178.
JBI acaba de publicar una importante actualizaciรณn de su metodologรญa para la realizaciรณn de revisiones de alcance oscoping reviews (1). La nueva versiรณn del capรญtulo 10 del JBI Manual for Evidence Synthesis consolida en un รบnico documento mรกs de una dรฉcada de desarrollo metodolรณgico y, especialmente, la abundante orientaciรณn publicada desde la รบltima gran actualizaciรณn de 2020.
No estamos ante un cambio completo de metodologรญa, sino ante su actualizaciรณn, ampliaciรณn y consolidaciรณn. Desde 2020, el JBI Scoping Review Methodology Group ha ido dando respuesta a problemas metodolรณgicos que no estaban suficientemente desarrollados en la guรญa anterior.
ยฟQuรฉ incorpora la nueva guรญa?
Entre las novedades mรกs relevantes se encuentra la incorporaciรณn de la definiciรณn formal descoping review publicada por Munn y colaboradores en 2022: una sรญntesis de evidencia cuyo objetivo es identificar y mapear sistemรกticamente la amplitud de la evidencia disponible sobre un tema, campo, concepto o cuestiรณn (2).
Tambiรฉn se refuerza considerablemente la importancia del protocolo previo de la revisiรณn, con recomendaciones especรญficas para su desarrollo y comunicaciรณn. El protocolo se considera un elemento esencial para aumentar el rigor, la transparencia y la reproducibilidad de este tipo de sรญntesis (3).
La actualizaciรณn incorpora ademรกs orientaciones mรกs detalladas sobre la participaciรณn de los usuarios del conocimiento, las cuestiones relacionadas con equidad, diversidad e inclusiรณn, y sobre cรณmo realizar la extracciรณn, anรกlisis y presentaciรณn de los resultados, aspectos sobre los que JBI ha publicado recomendaciones especรญficas durante los รบltimos aรฑos (4).
Otro cambio especialmente interesante es la incorporaciรณn de orientaciรณn sobre el uso de software y herramientas de automatizaciรณn en las distintas fases de una scoping review. La automatizaciรณn se contempla como apoyo al trabajo de los revisores y no como sustituciรณn indiscriminada de la supervisiรณn metodolรณgica humana (5).
La nueva guรญa aborda asimismo cuestiones cada vez mรกs frecuentes en la prรกctica: cรณmo gestionar scoping reviews de gran tamaรฑo, cรณmo realizar rapid scoping reviews, quรฉ papel pueden desempeรฑar estas revisiones en el desarrollo de guรญas de prรกctica clรญnica y en la priorizaciรณn de la investigaciรณn, y cรณmo pueden contribuir a reducir el desperdicio en investigaciรณn.
Mejor delimitaciรณn frente a otros tipos de revisiรณn
Un aspecto especialmente รบtil es el esfuerzo por clarificar las diferencias entre las scoping reviews y otros productos de sรญntesis que con frecuencia se confunden entre sรญ, como las mapping reviews, evidence and gap maps y overviews of reviews. La elecciรณn del tipo de revisiรณn debe depender de la pregunta y del objetivo de la sรญntesis, no simplemente de la etiqueta utilizada por los autores.
La actualizaciรณn tambiรฉn explica la relaciรณn entre PRISMA-ScR y PRISMA 2020. Conviene recordar que PRISMA-ScR es fundamentalmente una guรญa para la comunicaciรณn o reporting de una scoping review, mientras que el capรญtulo de JBI proporciona la orientaciรณn metodolรณgica para planificarla y realizarla. PRISMA-ScR, publicado en 2018, contiene 20 รญtems esenciales y dos opcionales. [6]
Una actualizaciรณn que merece ser revisada
Para quienes realizan, asesoran o evalรบan revisiones de alcance, esta nueva versiรณn deberรญa convertirse en la referencia metodolรณgica de consulta. Su principal aportaciรณn es reunir en un รบnico capรญtulo orientaciones que hasta ahora se encontraban dispersas en numerosas publicaciones y ampliar la metodologรญa a problemas que han surgido con la creciente utilizaciรณn de las scoping reviews.
Munn Z, Pollock D, Khalil H, Alexander L, McInerney P, Godfrey CM, et al. What are scoping reviews? Providing a formal definition of scoping reviews as a type of evidence synthesis. JBI Evid Synth. 2022;20(4):950-2. doi:10.11124/JBIES-21-00483.
Peters MDJ, Godfrey C, McInerney P, Khalil H, Larsen P, Marnie C, et al. Best practice guidance and reporting items for the development of scoping review protocols. JBI Evid Synth. 2022;20(4):953-68. doi:10.11124/JBIES-21-00242.
Pollock D, Peters MDJ, Khalil H, McInerney P, Alexander L, Tricco AC, et al. Recommendations for the extraction, analysis, and presentation of results in scoping reviews. JBI Evid Synth. 2023;21(3):520-32. doi:10.11124/JBIES-22-00123.
Khalil H, Pollock D, McInerney P, Evans C, Moraes EB, Godfrey CM, et al. Automation tools to support undertaking scoping reviews. Res Synth Methods. 2024;15(6):839-50. doi:10.1002/jrsm.1731.
Tricco AC, Lillie E, Zarin W, O’Brien KK, Colquhoun H, Levac D, et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): checklist and explanation. Ann Intern Med. 2018;169(7):467-73. doi:10.7326/M18-0850.
Durante la extracciรณn de datos de una revisiรณn sistemรกtica, es frecuente encontrar publicaciones que no proporcionan toda la informaciรณn necesaria. Pueden faltar caracterรญsticas de la poblaciรณn, detalles de la intervenciรณn, resultados numรฉricos o informaciรณn imprescindible para evaluar el riesgo de sesgo.
Ante esta situaciรณn, surge la duda metodolรณgica: ยฟes aceptable contactar con los autores para solicitar estos datos? ยฟPuede incorporarse a la revisiรณn la informaciรณn obtenida mediante correo electrรณnico?
La respuesta es afirmativa: contactar con los autores aporta informaciรณn relevante y es metodolรณgicamente vรกlido, siempre que el procedimiento sea sistemรกtico, trazable y transparente.
ยฟPor quรฉ y cuรกndo estรก justificado el contacto?
El contacto no debe realizarse de manera improvisada o selectiva. Una revisiรณn metodolรณgica Cochrane concluyรณ que se debe intentar obtener informaciรณn no publicada cuando falten datos clave, aunque el รฉxito del procedimiento es variable [1].
Motivo del contacto
Ejemplo de aplicaciรณn prรกctica
Aclaraciรณn metodolรณgica
Confirmar mรฉtodos de aleatorizaciรณn o cegamiento para evaluar el riesgo de sesgo.
Recuperaciรณn de datos
Solicitar resultados numรฉricos presentados de forma incompleta o medidas de dispersiรณn faltantes.
Verificaciรณn de la muestra
Detectar poblaciones duplicadas, solapadas o confirmar caracterรญsticas demogrรกficas.
Resoluciรณn de discrepancias
Aclarar incoherencias entre el abstract, las tablas y los resultados del artรญculo.
Tabla 1. Objetivos principales del contacto con investigadores
Esta informaciรณn no es secundaria. Segรบn Meursinge Reynders et al., el contacto modificรณ alguna evaluaciรณn del riesgo de sesgo en el 48,3% de las revisiones evaluables, alguna valoraciรณn GRADE en el 31,4%, algรบn resultado primario o secundario en el 36,4% y la estimaciรณn global del efecto en el 24,6% [2].
La realidad de las respuestas: recibir un correo no equivale a obtener datos
La tasa de respuesta y la recuperaciรณn de informaciรณn รบtil son conceptos diferentes. En el estudio de Goossen et al., se recibiรณ alguna respuesta en el 84% de los contactos, pero solo se obtuvo toda la informaciรณn solicitada en el 46% [3].
Figura 1. La tasa de respuesta y la recuperaciรณn de informaciรณn completa son resultados diferentes Gossen (3).
El rendimiento del contacto es mayor al aclarar mรฉtodos (52% de รฉxito) que al recuperar datos cuantitativos (25%) [3]. Las barreras mรกs frecuentes para recuperar datos originales incluyen:
Antigรผedad del estudio o pรฉrdida de bases de datos.
Cambio de instituciรณn o jubilaciรณn de los investigadores.
Restricciones de privacidad institucionales.
Variables que nunca llegaron a recogerse en el diseรฑo original.
Un procedimiento estandarizado en 4 fases
La decisiรณn de contactar con los autores debe constar en el protocolo de la revisiรณn. Si se adopta a posteriori, debe documentarse como modificaciรณn metodolรณgica antes de analizar las respuestas.
Fase 1: Preparaciรณn del mensaje
El contacto debe dirigirse al autor de correspondencia. La evidencia actual demuestra que incluir preguntas breves, numeradas y especรญficas directamente en el cuerpo del correo es mรกs efectivo y reduce el tiempo de trabajo de los revisores frente al envรญo de formularios adjuntos [3].
Fase 2: Estrategia de seguimiento limitada
Los recordatorios son รบtiles (el 32% de las respuestas llega tras un recordatorio [5]), pero el proceso debe tener un lรญmite definido previamente. Antes de comenzar, deben definirse el intervalo entre contactos, el nรบmero mรกximo de intentos y la fecha de cierre.
Un procedimiento viable podrรญa ser:
Enviar el primer correo al autor de correspondencia.
Esperar 14 dรญas.
Enviar un recordatorio si no se ha recibido respuesta.
Si continรบa sin responder, contactar con otro autor activo de la publicaciรณn, por ejemplo, el primer autor o el autor sรฉnior.
Enviar un รบnico recordatorio al segundo autor.
Cerrar el proceso en la fecha previamente establecida.
Cuando la direcciรณn publicada ya no funciona, puede buscarse una direcciรณn actualizada en publicaciones recientes, directorios institucionales u otras fuentes profesionales. En el estudio de Goossen et al., el 20% de los artรญculos no incluรญa una direcciรณn de correo y el 17% de las direcciones publicadas habรญa dejado de funcionar [3].
Fase 3: Evaluaciรณn de la respuesta
Toda respuesta recibida debe analizarse crรญticamente antes de volcarse en la extracciรณn. Debemos preguntarnos:
ยฟResponde inequรญvocamente a la pregunta clรญnica o metodolรณgica formulada?
ยฟPuede atribuirse inequรญvocamente al estudio correspondiente?
ยฟEs coherente con la publicaciรณn original?
Si contradice el artรญculo publicado, no debe sustituirse silenciosamente. Hay que documentar la discrepancia y pedir confirmaciรณn. Es necesario documentar la discrepancia y solicitar confirmaciรณn al autor. La verificaciรณn tambiรฉn es recomendable cuando la respuesta modifica la elegibilidad del estudio, el resultado extraรญdo o la interpretaciรณn de los hallazgos [2].
Fase 4: Registro y transparencia
La procedencia de cada dato debe quedar clara en la matriz de extracciรณn. La falta de respuesta nunca debe interpretarse como ausencia del acontecimiento estudiado; debe constar como ยซno informadaยป.
Para facilitar la trazabilidad y la redacciรณn del informe final, es fundamental mantener un registro detallado.
ID Estudio
Autor contactado
Fecha intento 1
Fecha de recordatorio
Estado de la respuesta
Procedencia del dato final
Smith 2022
J. Smith (Corresp.)
15/09/2026
29/09/2026
Aclaraciรณn completa
No publicado, vรญa email
Pรฉrez 2018
M. Pรฉrez (Sรฉnior)
10/09/2026
24/09/2026
Datos inaccesibles
No disponible
Chen 2021
L. Chen (Corresp.)
01/09/2026
–
Sin respuesta
No disponible
Tabla 2. Modelo de registro de contactos para la matriz de extracciรณn
Este nivel de transparencia todavรญa es mejorable. En el estudio de Meursinge Reynders et al., el 73,4% de las revisiones Cochrane examinadas habรญa contactado o intentado contactar con los autores, pero solo el 18,9% informรณ de manera completa quรฉ informaciรณn habรญa obtenido de cada estudio que respondiรณ [2].
Limitaciones de la evidencia
La evidencia sobre la forma mรกs eficaz de contactar con los autores es limitada y heterogรฉnea. La revisiรณn metodolรณgica Cochrane identificรณ รบnicamente seis estudios comparativos, cinco de ellos publicados solo como resรบmenes [1]. Algunos trabajos posteriores proceden de revisiones concretas, utilizan muestras pequeรฑas o analizan contextos muy especรญficos [3-6].
Por tanto, no puede afirmarse que exista una estrategia universalmente รณptima. Las recomendaciones disponibles permiten diseรฑar un procedimiento razonable e informado por la evidencia, pero los plazos, el nรบmero de recordatorios y los criterios de cierre deben adaptarse a cada revisiรณn y quedar definidos previamente.
En conclusiรณn
Contactar con los autores es un recurso metodolรณgicamente indispensable que puede alterar las conclusiones de una revisiรณn sistemรกtica. Sin embargo, no basta con enviar correos de forma aleatoria; exige un protocolo explรญcito y documentado.
La regla de oro es sencilla: la informaciรณn recibida es sumamente รบtil, pero siempre debe distinguirse del dato publicado y su impacto debe reportarse con total transparencia.
Referencias
Young T, Hopewell S. Methods for obtaining unpublished data. Cochrane Database Syst Rev. 2011;(11). doi:10.1002/14651858.MR000027.pub2.
Meursinge Reynders R, Ladu L, Di Girolamo N. Contacting of authors modified crucial outcomes of systematic reviews but was poorly reported, not systematic, and produced conflicting results. J Clin Epidemiol. 2019;115:64-76. doi:10.1016/j.jclinepi.2019.07.001.
Goossen K, Rombey T, Kugler CM, De Santis KK, Pieper D. Author queries via email text elicited high response and took less reviewer time than data forms: a randomised study within a review. J Clin Epidemiol. 2021;135:1-9. doi:10.1016/j.jclinepi.2021.02.006.
Godolphin PJ, Bath PM, Montgomery AA. Short email with attachment versus long email without attachment when contacting authors to request unpublished data for a systematic review: a nested randomised trial. BMJ Open. 2019;9. doi:10.1136/bmjopen-2018-025273.
Cooper C, Talens Bou J, Varley-Campbell J. Evaluating the effectiveness, efficiency, cost and value of contacting study authors in a systematic review: a case study and worked example. BMC Med Res Methodol. 2019;19:45. doi:10.1186/s12874-019-0685-0.
O’Leary F. Is email a reliable means of contacting authors of previously published papers? A study of the Emergency Medicine Journal for 2001. Emerg Med J. 2003;20:352-3. doi:10.1136/emj.20.4.352.
Las revisiones sistemรกticas aspiran a fundamentar las decisiones sanitarias en la mejor evidencia disponible. Sin embargo, muchos de los mรฉtodos empleados para realizarlas siguen apoyรกndose mรกs en la convenciรณn que en comparaciones empรญricas. Los Studies Within A Review (SWAR) abordan esta contradicciรณn: son estudios integrados en una revisiรณn que evalรบan distintas formas de planificarla, realizarla o comunicarla, con el fin de construir una metodologรญa de sรญntesis de evidencia que tambiรฉn estรฉ basada en evidencia.
Definiciรณn y naturaleza de un SWAR
Se define como estudios metodolรณgicos incorporados dentro de una o varias revisiones sistemรกticas u otra sรญntesis de evidencia (1). Su finalidad no es responder a la pregunta clรญnica de la revisiรณn, sino generar evidencia sobre cรณmo deben planificarse, realizarse o comunicarse las revisiones. En espaรฑol podrรญan denominarse ยซestudios integrados en una revisiรณnยป o ยซestudios dentro de una revisiรณnยป.
La idea esencial es que una revisiรณn sistemรกtica en curso se utiliza como revisiรณn anfitriona para investigar una incertidumbre metodolรณgica. Por tanto, en un mismo proyecto coexisten dos niveles de preguntas diferentes:
Tipo de pregunta
Quรฉ responde
Pregunta de la revisiรณn anfitriona (Responde a una incertidumbre clรญnica o social).
ยฟQuรฉ dice la evidencia sobre el problema clรญnico, asistencial o de salud? Ej.: ยฟEs efectivo el fรกrmaco A para reducir la mortalidad en la patologรญa B? ยฟEs eficaz la rehabilitaciรณn pulmonar en pacientes con EPOC?
Pregunta metodolรณgica del SWAR (Responde a una incertidumbre del proceso).
ยฟQuรฉ mรฉtodo permite realizar una parte de la revisiรณn de forma mรกs vรกlida, eficiente o รบtil? Ej.: ยฟQuรฉ modalidad de cribado de referencias requiere menos tiempo sin perder estudios elegibles? ยฟReduce el uso de un LLM el tiempo de extracciรณn de datos sin perder precisiรณn?
Tabla 1. Diferencias entre la pregunta sustantiva de la revisiรณn anfitriona y la pregunta metodolรณgica del SWAR.
Como parte de los procesos y datos necesarios que ya se generan durante la revisiรณn anfitriona, un SWAR puede ser mรกs eficiente que un estudio metodolรณgico completamente independiente, aunque exige planificaciรณn, coordinaciรณn y recursos adicionales. Su antecedente anรกlogo en el รกmbito de los ensayos clรญnicos es el Study Within A Trial (SWAT), un estudio metodolรณgico integrado en uno o varios ensayos para evaluar distintas formas de desarrollar sus procesos (2).
ยฟQuรฉ aspectos puede estudiar?
Un SWAR puede evaluar prรกcticamente cualquier decisiรณn metodolรณgica del ciclo de una revisiรณn, admitiendo diseรฑos diversos (aleatorizados, no aleatorizados o cualitativos).
Figura 1. Decisiones metodolรณgicas que pueden evaluarse mediante un SWAR a lo largo del ciclo de una revisiรณn sistemรกtica.
Para considerarlo propiamente un SWAR, debe existir una incertidumbre metodolรณgica explรญcita, una pregunta preespecificada, un protocolo independiente y una recogida y anรกlisis sistemรกticos de los datos. Se recomienda ademรกs su registro prospectivo.
Oportunidades para especialistas en informaciรณn
Los bibliotecarios pueden liderar estudios sobre la sensibilidad de filtros de bรบsqueda, el uso de herramientas de minerรญa de textos o la efectividad de procesos de deduplicaciรณn. Un ejemplo reciente especialmente relevante para los especialistas en informaciรณn es el SWAR de Dullea et al. (3), integrado en 12 revisiones. El estudio comparรณ estrategias de bรบsqueda en MEDLINE construidas mediante tablas de frecuencia de tรฉrminos generadas por PubReMiner con estrategias convencionales elaboradas y revisadas por bibliotecarios expertos. Las bรบsquedas basadas en PubReMiner fueron generalmente mรกs rรกpidas, pero mostraron una sensibilidad inferior e inconsistente, por lo que los autores no recomendaron sustituir con ellas los procedimientos convencionales. El estudio muestra cรณmo un SWAR permite someter a evaluaciรณn empรญrica herramientas y procedimientos que podrรญan parecer eficientes a priori.
Ventajas, limitaciones y riesgos de hacer un SWAR
Es un requisito fundamental que el SWAR no comprometa la calidad, integridad, calendario ni objetivos de la revisiรณn anfitriona. Por ejemplo, si se comparan dos mรฉtodos de cribado y uno pudiera omitir estudios relevantes, debe existir un mecanismo de seguridad que garantice que la revisiรณn principal no queda incompleta.
Figura 2. Principales ventajas, limitaciones y riesgos asociados a la realizaciรณn de un SWAR. La necesidad de evaluaciรณn รฉtica debe determinarse segรบn el diseรฑo del estudio y la normativa aplicable.
ยฟPara quรฉ sirven?
Los SWAR trasladan los principios de la prรกctica basada en la evidencia a los propios mรฉtodos de revisiรณn. Al evaluar empรญricamente cรณmo buscamos, seleccionamos, extraemos, analizamos y comunicamos la evidencia, pueden contribuir a que las futuras sรญntesis sean mรกs rigurosas y eficientes.
En definitiva, un SWAR convierte una revisiรณn en un entorno de investigaciรณn metodolรณgica: ademรกs de sintetizar la evidencia sobre un tema, permite evaluar rigurosamente cรณmo mejorar la realizaciรณn de futuras revisiones.
Bibliografรญa
Devane D, Burke NN, Treweek S, Clarke M, Thomas J, Booth A, et al. Study within a review (SWAR). J Evid Based Med. 2022;15(4):328-332. doi:ย 10.1111/jebm.12505
Clarke M, Devane D, Lang T, et al. Facilitating research on research using SWAR (studies within a review) and SWAT (studies within a trial). Evidence-Informed Public Health: Opportunities and Challenges. Abstracts of the 22nd Cochrane Colloquium; 21โ26 Sep. Hyderabad, India: John Wiley & Sons; 2014.
Dullea A, Carrigan M, OโSullivan L, et al. Sensitivity and precision of search strategies built using a text-mining word frequency tool (PubReMiner) compared to current best practice for building search strategies: a Study Within a Review (SWAR). Cochrane Evid Synth Methods. 2026;4(2):e70074. doi: 10.1002/cesm.70074.
Los registros de ensayos clรญnicos permiten identificar estudios en curso, no publicados o interrumpidos, pero tambiรฉn plantean problemas de deduplicaciรณn, vinculaciรณn y anรกlisis. Esta guรญa explica cรณmo buscarlos, gestionarlos e incorporarlos correctamente a una revisiรณn sistemรกtica.
Introducciรณn
Las bases de datos bibliogrรกficas, como MEDLINE o Embase, recuperan principalmente documentos publicados. Los registros de ensayos clรญnicos permiten localizar los estudios desde su inicio, incluidos ensayos en curso, finalizados pero no publicados, interrumpidos o con resultados disponibles รบnicamente en el propio registro.
Su utilidad no termina en la bรบsqueda. Los registros tambiรฉn ayudan a reconstruir la historia de cada ensayo, relacionar protocolos y publicaciones, detectar cambios en los desenlaces previstos y valorar el posible sesgo debido a resultados ausentes. Por ello, su consulta no deberรญa considerarse una tarea complementaria menor, sino una parte planificada de las revisiones sistemรกticas de intervenciones.
Esta guรญa explica por quรฉ, dรณnde y cรณmo buscar, pero tambiรฉn quรฉ hacer con los registros recuperados: cรณmo deduplicarlos, vincularlos con sus publicaciones, clasificarlos, incorporarlos a la sรญntesis y notificarlos de forma transparente.
Antes de empezar: el estudio no es el documento.
La distinciรณn metodolรณgica mรกs importante es la que existe entre estudio, registro, informe y resultado.
Concepto
Quรฉ representa
Ejemplo
Estudio o ensayo
La investigaciรณn realizada con un grupo definido de participantes
Ensayo aleatorizado que compara albรบmina con cristaloides
Registro
Ficha electrรณnica que describe el ensayo en un registro pรบblico
NCT04356859 en ClinicalTrials.gov
Informe del estudio
Cualquier documento que aporta informaciรณn sobre el ensayo
Artรญculo, protocolo, resumen de congreso, informe regulatorio o registro
Resultado
Estimaciรณn correspondiente a un desenlace, momento y anรกlisis concretos
Riesgo relativo de mortalidad a los 28 dรญas
Un รบnico ensayo puede generar varios registros e informes: una ficha en ClinicalTrials.gov, otra en un registro europeo o nacional, un protocolo publicado, un resumen de congreso, el artรญculo principal y varias publicaciones secundarias.
Todos estos documentos deben agruparse bajo un รบnico identificador de estudio. Si el registro y el artรญculo se tratan como dos estudios independientes, existe el riesgo de contar dos veces a los mismos participantes y sesgar la sรญntesis o el metanรกlisis. El Manual Cochrane establece que el estudio y no cada uno de sus informes debe constituir la unidad de interรฉs de la revisiรณn (1-2).
ยฟQuรฉ aportan realmente las bรบsquedas en registros?
Los registros de ensayos clรญnicos pueden ayudar a:
Identificar ensayos en curso o todavรญa no publicados.
Localizar ensayos finalizados, interrumpidos o retirados.
Obtener resultados no disponibles en artรญculos cientรญficos.
Encontrar protocolos, planes de anรกlisis, modificaciones y publicaciones relacionadas.
Comparar los desenlaces planificados con los finalmente publicados.
Estimar la cantidad de evidencia elegible cuyos resultados no estรกn disponibles.
Valorar el posible sesgo de publicaciรณn o de notificaciรณn selectiva.
Planificar cuรกndo deberรญa actualizarse la revisiรณn.
La evidencia empรญrica permite matizar su rendimiento. En una muestra de 117 revisiones sistemรกticas publicadas en revistas mรฉdicas generales, solo 41 (el 35 %) declararon haber buscado en algรบn registro. Entre las 29 revisiones que detallaron sus resultados, 15 identificaron al menos un ensayo finalizado y 18 al menos un ensayo en curso (3).
En otro estudio, en el que se reprodujeron bรบsquedas en registros para 101 revisiones que no los habรญan consultado, se identificaron ensayos elegibles adicionales para el 63 % de las revisiones. Sin embargo, solo en el 20 % se encontraron nuevos ensayos con resultados utilizables en un metaanรกlisis. Su incorporaciรณn no modificรณ, en promedio, las estimaciones combinadas, aunque sรญ mejorรณ el conocimiento sobre la cantidad de evidencia existente y sobre el posible sesgo debido a resultados ausentes (4).
Por tanto, el valor de los registros no debe medirse รบnicamente por su capacidad para cambiar el resultado numรฉrico de un metaanรกlisis. Tambiรฉn aportan informaciรณn sobre la integridad, transparencia y vigencia del conjunto de evidencia.
Paso 1. Planificar la bรบsqueda
Quรฉ registros se consultarรกn y por quรฉ.
Quรฉ conceptos y tรฉrminos se buscarรกn.
Quรฉ interfaces, campos, lรญmites o filtros se utilizarรกn.
Cรณmo se exportarรกn y conservarรกn los resultados.
Cรณmo se deduplicarรกn los registros.
Cรณmo se identificarรกn registros mรบltiples del mismo ensayo.
Cรณmo se vincularรกn con protocolos y publicaciones.
Cรณmo se tratarรกn los ensayos en curso, interrumpidos o sin resultados.
Quรฉ fuentes se priorizarรกn si existen datos discrepantes.
Sรญ se contactarรก con investigadores o promotores.
Cuรกndo se actualizarรกn las bรบsquedas.
Esta planificaciรณn reduce el riesgo de tomar decisiones condicionadas por la direcciรณn o disponibilidad de los resultados y se alinea con las recomendaciones destinadas a reducir el sesgo de diseminaciรณn (5).
Paso 2. Seleccionar los registros
ClinicalTrials.gov y WHO ICTRP como punto de partida.
Aunque ClinicalTrials.gov aporta registros al portal ICTRP, Cochrane recomienda buscar ambos recursos por separado. La recuperaciรณn no es necesariamente idรฉntica y ClinicalTrials.gov proporciona funcionalidades adicionales, entre ellas la consulta detallada de resultados, publicaciones relacionadas y versiones anteriores del registro (2-6).
Fuente
Caracterรญsticas y cobertura
Consideraciones metodolรณgicas
ClinicalTrials.gov
Registro internacional de gran tamaรฑo, especialmente รบtil para estudios farmacolรณgicos, dispositivos y ensayos con participaciรณn estadounidense.
Debe buscarse directamente, aunque sus registros tambiรฉn se transfieran al ICTRP.
WHO ICTRP
Portal que reรบne datos procedentes de registros primarios de numerosos paรญses y regiones.
Amplรญa la cobertura geogrรกfica y agrupa, cuando los identifica, registros mรบltiples del mismo ensayo.
CTIS
Ensayos clรญnicos de medicamentos tramitados en la Uniรณn Europea y el Espacio Econรณmico Europeo bajo el Reglamento europeo vigente.
Especialmente relevante cuando la revisiรณn incluye medicamentos investigados en Europa.
EU Clinical Trials Register
Ensayos gestionados bajo la normativa europea anterior y determinados ensayos pediรกtricos
Continรบa siendo relevante para estudios histรณricos anteriores a CTIS.
Registros nacionales o regionales
ANZCTR, ChiCTR, CTRI, DRKS, ISRCTN y otros.
Deben aรฑadirse cuando la intervenciรณn, poblaciรณn o contexto geogrรกfico lo justifique.
Registros especializados
Registros centrados en determinadas enfermedades, intervenciones o promotores.
รtiles cuando aportan cobertura no representada en los registros generales.
El WHO ICTRP proporciona un punto de acceso a datos suministrados por registros que cumplen los criterios de contenido y calidad de la OMS. Ademรกs, intenta agrupar las inscripciones mรบltiples correspondientes al mismo ensayo. Sin embargo, un metarregistro no elimina necesariamente la necesidad de consultar directamente determinadas fuentes (7).
En Europa debe prestarse atenciรณn a la transiciรณn entre el EU Clinical Trials Register y CTIS (informaciรณn oficial de la EMA sobre el Reglamento y CTIS). Desde el 31 de enero de 2023, todas las nuevas solicitudes de ensayos clรญnicos en la Uniรณn Europea y el Espacio Econรณmico Europeo deben presentarse mediante CTIS. Desde el 31 de enero de 2025, el Reglamento (UE) n.ยบ 536/2014 es plenamente aplicable y los ensayos que continuaban bajo la Directiva anterior debรญan haberse transferido al nuevo sistema. El EU Clinical Trials Register sigue siendo necesario para recuperar informaciรณn sobre ensayos tramitados conforme al marco normativo anterior (8).
Para una revisiรณn sistemรกtica exhaustiva de intervenciones, el planteamiento adecuado serรญa:
Buscar en CENTRAL, MEDLINE y Embase, cuando estรฉ disponible, para localizar informes publicados, resรบmenes de congresos y otros documentos.
Buscar separadamente en ClinicalTrials.gov y WHO ICTRP para identificar ensayos registrados, en curso, interrumpidos, no publicados o con resultados depositados รบnicamente en el registro.
Aรฑadir CTIS, EU Clinical Trials Register u otros registros nacionales o especializados cuando la intervenciรณn, el periodo o el รกmbito geogrรกfico lo justifiquen.
Vincular posteriormente todos los registros, protocolos y publicaciones que correspondan al mismo ensayo.
Dudas frecuentes de buscar en CENTRAL y Embase vs. registros originales
ยฟBasta con buscar en CENTRAL o Embase?
No. Aunque ambas bases incorporan actualmente registros procedentes de ClinicalTrials.gov โy CENTRAL tambiรฉn registros procedentes de WHO ICTRPโ, una bรบsqueda en ellas no debe considerarse equivalente a la consulta directa de los registros originales (2,6,9).
La recomendaciรณn metodolรณgica no consiste en buscar en ClinicalTrials.gov o WHO ICTRP en lugar de CENTRAL o Embase. Las bases bibliogrรกficas y los registros deben utilizarse de forma complementaria porque responden a preguntas diferentes:
CENTRAL, MEDLINE y Embase se utilizan principalmente para localizar informes de ensayos: artรญculos, resรบmenes de congresos y otros documentos.
ClinicalTrials.gov y WHO ICTRP permiten identificar los ensayos registrados, con independencia de que hayan generado una publicaciรณn.
ยฟQuรฉ evidencia existe?
Banno y colaboradores evaluaron si CENTRAL podรญa sustituir las bรบsquedas en ClinicalTrials.gov e ICTRP. De 247 registros de ensayos en curso o no publicados incluidos en 50 revisiones Cochrane, CENTRAL recuperรณ 200 y no identificรณ 47. La sensibilidad fue del 81 % (intervalo de confianza del 95 %: 76-85 %) (11).
El estudio utilizรณ bรบsquedas realizadas en 2019, por lo que ese porcentaje no debe extrapolarse directamente al CENTRAL actual. Sin embargo, la ediciรณn vigente del Manual Cochrane continรบa seรฑalando que las bรบsquedas directas en ClinicalTrials.gov e ICTRP pueden localizar registros e informaciรณn no identificables en CENTRAL (2-6).
Otra evaluaciรณn demostrรณ la complementariedad de las fuentes. De 81 ensayos finalizados con resultados disponibles, siete se localizaron exclusivamente mediante bรบsquedas en registros y ocho exclusivamente mediante bases bibliogrรกficas. De los 42 ensayos en curso identificados, 26 (el 62 %) fueron localizados รบnicamente mediante la bรบsqueda registral (12). Al tratarse de un estudio de caso sobre una temรกtica determinada, estos porcentajes no son necesariamente generalizables. Sin embargo, muestran que ninguna de las dos aproximaciones identifica por sรญ sola todos los ensayos.
ยฟTienen la misma cobertura?
No. CENTRAL incluye registros de ensayos aleatorizados o cuasialeatorizados identificados en ClinicalTrials.gov, WHO ICTRP y otras fuentes. No incorpora todos los diseรฑos ni todos los metadatos del registro original. Los registros procedentes de ClinicalTrials.gov no incluyen en CENTRAL los resultados depositados ni indican necesariamente si existen resultados o publicaciones asociadas. EMBASE incluye actualmente mรกs de 552.000 registros de ClinicalTrials.gov y ofrece 37 campos procedentes de esta fuente, pero no tiene una cobertura equivalente del conjunto de registros integrados en WHO ICTRP. ClinicalTrials.gov incluye el registro original y repositorio de resultados. Permite acceder al registro completo, a sus resultados, publicaciones relacionadas y al historial de cambios. El Portal WHO ICTRP integra datos de registros primarios y proveedores de diferentes paรญses y regiones. Amplรญa la cobertura mรกs allรก de ClinicalTrials.gov y enlaza con los registros originales
ยฟTienen la misma finalidad?
La bรบsqueda bibliogrรกfica responde principalmente a la pregunta: ยฟQuรฉ documentos se han publicado sobre este ensayo? La bรบsqueda en registros responde ademรกs a otra pregunta: ยฟQuรฉ ensayos se iniciaron, incluidos los que continรบan en curso, se interrumpieron o nunca publicaron sus resultados? Esta segunda pregunta es esencial para valorar el sesgo de publicaciรณn y la evidencia ausente. Si รบnicamente se buscan publicaciones, el conjunto localizado puede sobrerrepresentar los estudios con resultados positivos, favorables o estadรญsticamente significativos.
Paso 3. Traducir la pregunta de revisiรณn a una estrategia especรญfica para registros
Las estrategias de MEDLINE no deben copiarse literalmente en ClinicalTrials.gov, ICTRP o CTIS. Sus campos, sistemas de sinonimia, operadores, posibilidades de truncamiento y lรญmites son diferentes.
La guรญa de Hunter y colaboradores recomienda comenzar con uno o dos conceptos centrales de la pregunta, normalmente la poblaciรณn o condiciรณn y la intervenciรณn.
El comparador y los desenlaces suelen omitirse porque no siempre se describen de manera consistente en los registros y pueden reducir la sensibilidad. Tampoco suele ser necesario incorporar un filtro de ensayo clรญnico cuando se busca en un registro dedicado principalmente a estudios clรญnicos (1).
Paso 4. Documentar y exportar los resultados
Por cada bรบsqueda debe conservarse:
Nombre del registro.
Direcciรณn web o interfaz empleada.
Modalidad de bรบsqueda: bรกsica, avanzada o mediante API.
Fecha exacta.
Estrategia copiada tal como fue ejecutada.
Campos consultados.
Filtros o lรญmites.
Nรบmero de resultados.
Formato de exportaciรณn.
Nombre de la persona que realizรณ la bรบsqueda.
Captura de pantalla o copia de la pรกgina de resultados cuando ayude a preservar la trazabilidad.
Conviene conservar los archivos originales de cada registro sin modificarlos y trabajar sobre una copia integrada. ClinicalTrials.gov permite descargar registros en CSV, JSON, RIS y otros formatos (13) ICTRP permite exportar los resultados en XML (7). CTIS ofrece funciones de bรบsqueda y descarga (8).
Paso 5. Crear un fichero maestro centrado en el estudio
Los registros recuperados pueden gestionarse en una hoja de cรกlculo, un gestor de referencias, una base de datos o una herramienta de revisiรณn. Sin embargo, deberรญa existir un fichero maestro que permita reconstruir la relaciรณn entre estudios y documentos.
Paso 6. Deduplicar en dos niveles diferentes
Primer nivel: registros duplicados
Son copias del mismo registro recuperadas mediante diferentes bรบsquedas o fuentes. Comparten el mismo identificador, por ejemplo, el mismo nรบmero NCT.
Estos duplicados pueden eliminarse conservando la versiรณn mรกs completa y reciente, aunque debe mantenerse la trazabilidad de la fuente mediante la que se recuperaron.
Segundo nivel: registros mรบltiples del mismo ensayo
Un ensayo puede haberse registrado en ClinicalTrials.gov, CTIS y otro registro nacional, recibiendo identificadores distintos.
No son duplicados documentales estrictos: pueden contener informaciรณn diferente o haberse actualizado en momentos distintos. En lugar de borrar uno de ellos, deben conservarse y agruparse bajo un รบnico identificador interno de estudio.
Paso 7. Vincular los registros con protocolos y publicaciones
No debe confiarse exclusivamente en los enlaces incluidos automรกticamente en el registro. Una revisiรณn metodolรณgica comprobรณ que la vinculaciรณn entre registros y publicaciones continรบa necesitando bรบsquedas e inspecciรณn manual (14).
El proceso puede organizarse en tres niveles:
Vinculaciรณn automรกtica: Revisar las publicaciones y referencias enlazadas en el registro.
Vinculaciรณn inferida: Buscar el identificador del ensayo en PubMed, Embase y otros buscadores. Si no aparece, combinar acrรณnimo, promotor, investigador, intervenciรณn, poblaciรณn, tamaรฑo muestral, centros y fechas.
Vinculaciรณn mediante consulta: Contactar con investigadores o promotores cuando persistan dudas sobre la identidad del ensayo, su publicaciรณn o sus resultados.
Cada ensayo deberรญa disponer de una โfamilia documentalโ que agrupe:
Registros primarios y secundarios.
Protocolo.
Plan de anรกlisis estadรญstico.
Resรบmenes de congresos.
Publicaciรณn principal.
Publicaciones de seguimiento.
Informes de seguridad.
Resultados depositados en registros.
Informes regulatorios.
Comunicaciones con los investigadores.
Paso 8. Cribar el registro completo y clasificar el ensayo
Un cribado preliminar por tรญtulo puede utilizarse para eliminar registros manifiestamente irrelevantes, pero sus tรญtulos suelen ser poco informativos. La decisiรณn final debe adoptarse revisando el registro completo en la plataforma original.
En una revisiรณn sistemรกtica convencional, la selecciรณn deberรญa realizarse por dos revisores de forma independiente (2). En una revisiรณn rรกpida podrรญa justificarse un proceso abreviado, pero debe declararse y valorarse el riesgo de perder estudios.
Paso 9. Incorporar los registros a la sรญntesis y a la evaluaciรณn del sesgo
Si el registro contiene resultados utilizables
Los datos pueden incorporarse a la sรญntesis narrativa o al metanรกlisis si:
El ensayo cumple los criterios de elegibilidad.
Los resultados corresponden a los desenlaces y momentos definidos.
Se conocen los denominadores y la poblaciรณn analizada.
Existen datos suficientes para calcular el efecto y su precisiรณn.
No se estรก duplicando informaciรณn ya incluida desde otra publicaciรณn.
La procedencia y las limitaciones de los datos se notifican claramente.
La ausencia de publicaciรณn en una revista no constituye, por sรญ sola, un motivo para excluir resultados elegibles. Tampoco debe confundirse la falta de revisiรณn por pares con una evaluaciรณn formal del riesgo de sesgo.
Si se conoce el ensayo, pero sus resultados no estรกn disponibles
El ensayo no puede aportar una estimaciรณn numรฉrica, pero no debe desaparecer de la revisiรณn. Su existencia, tamaรฑo previsto, fecha de finalizaciรณn y desenlaces registrados ayudan a valorar el riesgo de sesgo debido a evidencia ausente.
Comparaciรณn entre planificaciรณn y publicaciรณn
Para aplicar el dominio de RoB 2 relativo a la selecciรณn del resultado comunicado, debe examinarse si el resultado incluido coincide con un plan de anรกlisis definido antes de que los datos estuvieran disponibles.
Un registro retrospectivo o modificado despuรฉs del anรกlisis no proporciona la misma garantรญa que un protocolo o registro prospectivo suficientemente detallado (17).
A nivel de la sรญntesis, ROB-ME permite valorar el riesgo de sesgo debido a estudios completos o resultados concretos ausentes por su significaciรณn, magnitud o direcciรณn. La evaluaciรณn debe integrar los ensayos identificados sin resultados, las discrepancias entre fuentes y otros indicios de falta selectiva de evidencia (18).
La mera existencia de una discrepancia no obliga automรกticamente a reducir la certeza de la evidencia. Su importancia dependerรก del desenlace afectado, la magnitud de los datos ausentes, la plausibilidad de selecciรณn y el posible efecto sobre la estimaciรณn.
Paso 10. Actualizar la bรบsqueda
Los registros cambian: un ensayo en curso puede finalizar, aparecer una publicaciรณn, depositarse resultados o modificarse su estado.
En la actualizaciรณn se debe:
Repetir la estrategia original o justificar sus modificaciones.
Buscar registros nuevos por fecha de registro, dejando un pequeรฑo solapamiento entre periodos.
Revisar nuevamente los registros ya identificados.
Comprobar cambios de estado.
Buscar resultados y publicaciones aรฑadidas.
Actualizar las tablas de estudios en curso y pendientes de clasificaciรณn.
La frecuencia debe adaptarse a la velocidad de producciรณn de evidencia. Una revisiรณn viva puede necesitar bรบsquedas mensuales o trimestrales; una revisiรณn convencional, una actualizaciรณn prรณxima al cierre editorial.
Paso 11. Informar siguiendo PRISMA 2020 y PRISMA-S
PRISMA 2020 proporciona diagramas especรญficos para revisiones que identifican estudios mediante bases de datos y registros. El diagrama debe distinguir entre:
Registros recuperados.
Registros duplicados eliminados.
Registros cribados.
Informes buscados y evaluados.
Estudios finalmente incluidos.
Esta distinciรณn permite que varios registros, protocolos y artรญculos terminen agrupados como un รบnico estudio (19).
PRISMA-S recomienda informar:
Todos los registros consultados.
Nombre y enlace de cada fuente.
Estrategias completas tal como se ejecutaron.
Fechas de bรบsqueda.
Lรญmites y filtros, o la ausencia de ellos.
Nรบmero de resultados de cada fuente.
Proceso y programas de deduplicaciรณn.
Mรฉtodos de actualizaciรณn.
Revisiรณn por pares de la estrategia, si se realizรณ (20).
Tambiรฉn deben citarse los registros de los ensayos incluidos, indicando su identificador y URL estable, igual que se citan los demรกs informes del estudio (1-2,20).
En conclusiรณn
Buscar en registros de ensayos clรญnicos no consiste simplemente en aรฑadir otra base de datos a la estrategia bibliogrรกfica. Requiere trabajar con una lรณgica centrada en el estudio: identificar el ensayo, reunir todos sus registros e informes, reconstruir su evoluciรณn y determinar quรฉ informaciรณn puede utilizarse con suficiente confianza.
CENTRAL y Embase son fuentes fundamentales y contienen actualmente registros procedentes de ClinicalTrials.gov. Sin embargo, su cobertura, estructura, funcionalidades e informaciรณn disponible no son equivalentes a las de los registros originales. La recomendaciรณn metodolรณgica no consiste en elegir entre unas fuentes u otras, sino en utilizarlas de manera complementaria.
El error mรกs importante no es solo omitir un ensayo no publicado. Tambiรฉn lo es encontrar su registro y tratarlo como si fuera un estudio diferente del artรญculo que posteriormente comunica sus resultados.
Una gestiรณn adecuada convierte los registros en algo mรกs que una fuente de literatura gris: los transforma en una herramienta para evaluar la integridad del conjunto de evidencia, detectar resultados ausentes y producir revisiones sistemรกticas mรกs transparentes y fiables.
En una revisiรณn sistemรกtica, el procedimiento habitual consiste en importar primero las referencias bibliogrรกficas recuperadas en las bases de datos, hacer el cribado frente a tรญtulo y resumen y, aquellas que pasan a la segunda fase de cribado, asociar a cada registro su correspondiente texto completo.
El problema que describo en esta entrada aparece en ese segundo momento: la referencia estรก correctamente importada en Rayyan, pero la plataforma no permite adjuntarle determinados PDF creados o modificados por nosotros.
Flujo de trabajo en la importaciรณn de los textos completos en una revisiรณn sistemรกtica.
Los documentos se abrรญan con normalidad en mi ordenador, todas sus pรกginas eran visibles y no parecรญan estar daรฑados. Sin embargo, Rayyan no conseguรญa procesarlos o asociarlos a la referencia correspondiente.
Una herramienta de inteligencia artificial me ayudรณ a analizar los archivos, comprender que el problema no estaba en las referencias bibliogrรกficas, sino en la estructura interna de los PDF, y determinar quรฉ transformaciones eran necesarias. Tambiรฉn me ayudรณ a procesar los documentos y a generar nuevas versiones normalizadas que finalmente pude subir y asociar correctamente en Rayyan.
El problema no estaba en el archivo RIS
Las referencias ya habรญan sido importadas previamente en Rayyan mediante archivos RIS procedentes de las bases de datos o de los registros correspondientes.
El fallo se producรญa exclusivamente al intentar adjuntar el texto completo a una referencia ya existente.
Aunque la referencia estuviera perfectamente identificada, Rayyan podรญa rechazar el PDF por sus caracterรญsticas tรฉcnicas internas.
Casos en los que encontrรฉ problemas
1. Artรญculos unidos a su material suplementario
En mi prรกctica habitual, cuando un artรญculo dispone de material suplementario, creo un รบnico documento PDF en el que, al texto completo del artรญculo, le aรฑado al final el material suplementario.
Este procedimiento resulta รบtil porque permite conservar conjuntamente toda la documentaciรณn necesaria para evaluar si el estudio pasa el segundo screening y para la posterior extracciรณn de datos. Evita, ademรกs, que el suplemento quede separado o se pierda durante el proceso de revisiรณn.
Sin embargo, el artรญculo principal y los suplementos pueden haberse generado con aplicaciones diferentes y presentar:
Versiones distintas del estรกndar PDF.
Tamaรฑos y orientaciones de pรกgina diferentes.
Capas de texto incompatibles.
Fuentes incrustadas de forma distinta.
Anotaciones, formularios o enlaces.
Pรกginas digitales combinadas con pรกginas escaneadas., …
Aunque el documento combinado pueda abrirse sin problemas en un lector convencional, internamente puede seguir siendo un archivo heterogรฉneo. Rayyan puede no procesarlo correctamente y rechazarlo al intentar asociarlo a la referencia.
2. Pรกginas web impresas o guardadas como PDF
Otro caso frecuente aparece cuando no existe una opciรณn para descargar un PDF y necesitamos conservar el contenido de una pรกgina web.
Es habitual en plataformas de registro de ensayos clรญnicos, informes publicados exclusivamente en HTML, etc.
En estas situaciones utilizo las opciones del navegador Imprimir o Guardar como PDF.
El archivo resultante puede visualizarse como un PDF normal, pero su estructura interna conserva elementos procedentes de la pรกgina web:
Cabeceras y pies de impresiรณn.
URL y fecha de consulta.
Menรบs de navegaciรณn.
Avisos legales.
Hipervรญnculos.
Fuentes web.
Elementos ocultos.
Texto dividido en numerosos objetos. …
En algunos de los archivos, el contenido es perfectamente legible, pero no existรญa una capa de texto extraรญble. En otros, el PDF generado por el navegador contiene una estructura que Rayyan no puede procesar correctamente.
3. Suplementos de revistas que incluyen muchos resรบmenes de congreso
Tambiรฉn encontrรฉ problemas con suplementos de revistas que recogen todas las comunicaciones orales y pรณster de un congreso.
El PDF tiene un PDF รบnico e incluye:
Varios tรญtulos.
Diferentes grupos de autores.
Distintos nรบmeros de resumen.
Informaciรณn correspondiente a varios estudios.
Aunque solo necesitaba asociar uno de los resรบmenes, el archivo contenรญa varias referencias potenciales. En este caso fue necesario recortar la pรกgina y generar un PDF nuevo que incluyera รบnicamente el resumen pertinente.
4. PDF sin texto extraรญble o con una capa defectuosa
En otros documentos, el texto era visible, pero no podรญa seleccionarse o buscarse. En algunos casos, al copiarlo aparecรญan caracteres desordenados o ilegibles.
Esto puede ocurrir cuando:
El documento estรก formado por imรกgenes.
La codificaciรณn de las fuentes es defectuosa.
La capa de texto no coincide con la imagen.
Se han superpuesto varias capas de OCR.
El PDF procede de una digitalizaciรณn o conversiรณn deficiente.
Aรฑadir simplemente otra capa de OCR no siempre resuelve el problema. Si ya existe una capa de texto incorrecta, puede ser necesario reconstruir previamente el documento.
Cรณmo me ayudรณ la inteligencia artificial
La inteligencia artificial tuvo un papel prรกctico en varias fases del proceso.
Anรกlisis del problema. La primera aportaciรณn fue ayudarme a diferenciar entre un problema bibliogrรกfico y un problema tรฉcnico del PDF. La herramienta de inteligencia artificial me ayudรณ a determinar que no bastaba con aplicar OCR o guardar de nuevo el documento. En los casos problemรกticos fue necesario realizar una combinaciรณn de operaciones:
Reconstruir el PDF.
Homogeneizar las pรกginas.
Eliminar estructuras internas innecesarias.
Recortar contenido no pertinente.
Aplicar OCR cuando era necesario.
Incorporar metadatos bรกsicos.
Simplificar el nombre del archivo.
Procesamiento de los documentos. En los casos problemรกticos fue necesario realizar una combinaciรณn de operaciones:
Reconstruir el PDF.
Homogeneizar las pรกginas.
Eliminar estructuras internas innecesarias.
Recortar contenido no pertinente.
Aplicar OCR cuando era necesario.
Incorporar metadatos bรกsicos.
Simplificar el nombre del archivo.
Procesar los archivos y generar nuevas versiones tรฉcnicamente mรกs sencillas. De esta forma se eliminaron o neutralizaron muchos elementos que podรญan causar incompatibilidades, como, por ejemplo, capas defectuosas.
Despuรฉs se incorporรณ una nueva capa de texto mediante OCR cuando era necesario. Los PDF resultantes pudieron subirse y asociarse a las referencias correspondientes en Rayyan.
En mis documentos fue necesario: Reconstruir el PDF, simplificar su estructura, aplicar OCR cuando procedรญa, normalizar sus metadatos y cambiar el nombre del archivo.
Controles necesarios despuรฉs del procesamiento
La utilizaciรณn de inteligencia artificial no elimina la necesidad de revisiรณn humana. Despuรฉs de generar cada PDF comprobรฉ:
Que estaban todas las pรกginas.
Que se habรญa respetado el orden original.
Que no se habรญa eliminado contenido relevante.
Que el artรญculo y el suplemento estaban completos.
Que el OCR no modificaba la imagen visible.
Que el tรญtulo y el identificador eran correctos.
Que el archivo podรญa abrirse.
Que el PDF se asociaba a la referencia adecuada.
Conclusiรณn
Cuando Rayyan no permite asociar un texto completo, el problema no siempre estรก en la plataforma ni en la referencia bibliogrรกfica. Con frecuencia se encuentra en la estructura interna del PDF.
Esto puede suceder especialmente con:
Artรญculos unidos a su material suplementario.
Pรกginas web impresas o guardadas como PDF.
Suplementos de revistas con varios resรบmenes.
PDF con capas de texto defectuosas.
En esta experiencia, la inteligencia artificial me ayudรณ a comprender quรฉ estaba ocurriendo, identificar una soluciรณn tรฉcnica y procesar los documentos hasta obtener archivos compatibles con Rayyan.
La inteligencia artificial fue, en este caso, una herramienta de apoyo tรฉcnico. Permitiรณ diagnosticar y resolver un problema que no era evidente al abrir los documentos, pero la comprobaciรณn final de la integridad, correspondencia y fidelidad de los PDF siguiรณ siendo responsabilidad de la persona que realizaba la revisiรณn.
Cuando hablamos de revisiones de la literatura, es frecuente asumir que todas requieren una bรบsqueda exhaustiva en numerosas bases de datos. Sin embargo, la realidad metodolรณgica es mรกs compleja. La estrategia de bรบsqueda debe responder al objetivo de la revisiรณn, a la pregunta de investigaciรณn, al tipo de evidencia que se pretende identificar y al uso previsto de los resultados.
No busca del mismo modo quien pretende contextualizar un tema que quien necesita estimar la efectividad de una intervenciรณn, identificar lagunas de conocimiento o mantener actualizada una sรญntesis de evidencia. Aunque todas estas finalidades requieren localizar y seleccionar informaciรณn, difieren en el grado de exhaustividad, la estructura de la bรบsqueda, las fuentes consultadas y los procedimientos de actualizaciรณn.
La bรบsqueda varรญa segรบn el objetivo de la revisiรณn: describir, integrar, mapear, sintetizar, resumir revisiones previas o mantener la evidencia actualizada.
La tabla que acompaรฑa esta entrada resume estas diferencias y muestra cรณmo cambian la planificaciรณn, las fuentes consultadas, la sensibilidad de la estrategia y el grado de reproducibilidad exigido.
Principales diferencias en la planificaciรณn y ejecuciรณn de la bรบsqueda bibliogrรกfica segรบn el tipo y la modalidad de revisiรณn.
De la bรบsqueda narrativa a la bรบsqueda sistemรกtica: distintos grados de estructuraciรณn y reproducibilidad
En una revisiรณn narrativa, la selecciรณn de las fuentes suele depender en gran medida del criterio de los autores. La bรบsqueda puede ser flexible y no siempre se documenta de forma suficiente para que otras personas puedan reproducirla. Este enfoque puede resultar รบtil para introducir un tema, explicar conceptos o presentar una perspectiva experta, pero ofrece menos garantรญas frente al sesgo de selecciรณn.
La revisiรณn integrativa requiere una bรบsqueda mรกs planificada y transparente. Su particularidad es que puede reunir estudios cuantitativos y cualitativos, documentos teรณricos y literatura gris. Por ello, debe contemplar fuentes y estrategias capaces de identificar diseรฑos muy diferentes.
En el extremo de mayor estructuraciรณn se encuentra la revisiรณn sistemรกtica. Su bรบsqueda parte de una pregunta, formulada habitualmente mediante PICO u otro marco equivalente, y de unos criterios de elegibilidad establecidos previamente. Debe identificar de forma sistemรกtica los estudios relevantes, combinar varias bases de datos y mรฉtodos complementarios โcomo la bรบsqueda de literatura gris, el rastreo de citas o la revisiรณn de referenciasโ y documentar รญntegramente las estrategias utilizadas. Cochrane subraya que la bรบsqueda debe ser sistemรกtica, exhaustiva dentro de lo razonable y reproducible.
Las bรบsquedas no se realizan igual en todos los tipos de revisiรณn y que existe una transiciรณn desde enfoques mรกs flexibles hacia otros mรกs planificados, transparentes y reproducibles.
Mapear la evidencia no es lo mismo que estimar un efecto
Una revisiรณn de alcance o un mapa de evidencia pregunta, por ejemplo: ยซยฟQuรฉ evidencia existe, cรณmo se distribuye y quรฉ lagunas presenta?ยป. Una revisiรณn de efectividad pregunta: ยซยฟCuรกl es el efecto de una intervenciรณn, comparada con una alternativa, sobre unos resultados determinados?ยป.
La revisiรณn de alcance o scoping review busca conocer quรฉ evidencia existe, cรณmo se ha investigado un tema, quรฉ conceptos se utilizan y dรณnde se encuentran las principales lagunas de conocimiento.
Su pregunta suele ser amplia y se estructura frecuentemente mediante el marco PCC: poblaciรณn, concepto y contexto. En las revisiones de alcance puede ser necesario ampliar la diversidad de fuentes y vocabularios para captar distintos diseรฑos, contextos y formas de publicaciรณn. No pretende necesariamente calcular un efecto, sino elaborar un mapa descriptivo de la literatura disponible.
En las revisiones de efectividad, la bรบsqueda suele organizarse a partir de los conceptos de la pregunta y debe optimizar la identificaciรณn de los diseรฑos de estudio elegibles sin introducir restricciones injustificadas.
Una revisiรณn de alcance utiliza el marco PCC para explorar, organizar y representar la evidencia disponible, identificar conceptos y localizar lagunas de conocimiento.
Cuando cambia la unidad de anรกlisis, cambia tambiรฉn la bรบsqueda
La unidad de anรกlisis es el tipo de objeto que la revisiรณn pretende localizar y sintetizar: estudios primarios, revisiones, documentos, conceptos, intervenciones, experiencias, polรญticas o conjuntos de evidencia. Cuando cambia la unidad de anรกlisis, cambian tambiรฉn las fuentes de informaciรณn, los tรฉrminos de bรบsqueda, los criterios de elegibilidad y los procedimientos de selecciรณn.
En una revisiรณn paraguas, los documentos que se buscan no son estudios primarios, sino revisiones sistemรกticas y metaanรกlisis. Esto obliga a emplear tรฉrminos y filtros especรญficos para identificar sรญntesis de evidencia y a consultar recursos especializados. Ademรกs, debe prestarse atenciรณn al posible solapamiento de estudios primarios entre las revisiones incluidas.
Las sรญntesis cualitativas buscan experiencias, percepciones, significados y fenรณmenos humanos. La recuperaciรณn puede resultar especialmente compleja porque los estudios cualitativos presentan una terminologรญa variable y una indexaciรณn menos consistente. Por ello, suelen combinarse bases de datos biomรฉdicas y sociales โcomo MEDLINE, CINAHL o PsycINFOโ con rastreo de referencias, bรบsqueda de citas, literatura gris y consulta a expertos.
Cuando cambia la unidad de anรกlisis, cambia tambiรฉn la bรบsqueda.
En las revisiones de mรฉtodos mixtos deben localizarse simultรกneamente evidencias cuantitativas y cualitativas. Puede diseรฑarse una bรบsqueda amplia y sensible para ambos componentes o desarrollar estrategias independientes que posteriormente confluyan en una sรญntesis integrada o segregada.
Revisiones rรกpidas y revisiones vivas: dos modalidades de ejecuciรณn y actualizaciรณn
Conviene diferenciar los tipos de revisiรณn de sus modalidades de ejecuciรณn. Las revisiones rรกpidas y las revisiones vivas pueden entenderse como modalidades de ejecuciรณn y actualizaciรณn de una revisiรณn. No son categorรญas definidas por el tema estudiado, sino enfoques relacionados con el tiempo disponible, la frecuencia de actualizaciรณn y la organizaciรณn del proceso de revisiรณn.
Las revisiones rรกpidas responden a la necesidad de producir una sรญntesis en un plazo limitado. Para ello, pueden simplificar determinados procedimientos de la revisiรณn, como el nรบmero de fuentes consultadas, la amplitud de la bรบsqueda, la selecciรณn por duplicado, la extracciรณn de datos o ciertos procesos de sรญntesis. Estas decisiones deben estar justificadas, documentadas y acompaรฑadas de una valoraciรณn de sus posibles efectos sobre la exhaustividad y el riesgo de sesgo.
Las revisiones vivas, por el contrario, se diseรฑan para mantenerse actualizadas. Parten de una revisiรณn sistemรกtica y establecen mecanismos periรณdicos o continuos para identificar nueva evidencia, evaluarla e incorporarla cuando pueda modificar las conclusiones. La automatizaciรณn puede facilitar la vigilancia y la priorizaciรณn de registros, pero no sustituye la supervisiรณn metodolรณgica. Una revisiรณn viva debe mantener los estรกndares metodolรณgicos de la revisiรณn sistemรกtica de la que parte.
La revisiรณn rรกpida adapta el proceso para ganar tiempo; la revisiรณn viva mantiene bรบsquedas periรณdicas para evitar que la revisiรณn quede desactualizada; ambas son formas de ejecutar la revisiรณn y la bรบsqueda, no categorรญas temรกticas.
Una bรบsqueda adecuada es la que responde al propรณsito de la revisiรณn
No existe una รบnica estrategia vรกlida para todas las revisiones. La bรบsqueda debe diseรฑarse en funciรณn de la pregunta, el propรณsito de la sรญntesis, la unidad de anรกlisis, los criterios de elegibilidad, los recursos disponibles y la necesidad de actualizaciรณn.
La bรบsqueda debe diseรฑarse teniendo en cuenta:
Preguntas esenciales para planificar una bรบsqueda bibliogrรกfica adaptada al tipo de revisiรณn.
En definitiva, una bรบsqueda de calidad no es necesariamente la que recupera mรกs referencias, sino la que identifica de forma suficientemente completa y reproducible la evidencia pertinente para responder a la pregunta planteada. Sus decisiones, limitaciones y posibles sesgos deben quedar documentados con transparencia.
Referencias
Aromataris E, Lockwood C, Porritt K, Pilla B, Jordan Z, editores. JBI Manual for Evidence Synthesis. JBI; 2024. doi:10.46658/JBIMES-24-01.
Higgins JPT, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, et al., editores. Cochrane Handbook for Systematic Reviews of Interventions. Version 6.5. Cochrane; 2024.
Garritty C, Hamel C, Trivella M, Gartlehner G, Nussbaumer-Streit B, Devane D, et al. Updated recommendations for the Cochrane rapid review methods guidance for rapid reviews of effectiveness. BMJ. 2024;384:e076335. doi:10.1136/bmj-2023-076335.
Synnot A. Updated guidance for Cochrane living systematic reviews. Cochrane Methods; 2020.
La eliminaciรณn de duplicados es una tarea aparentemente tรฉcnica y secundaria dentro de una revisiรณn sistemรกtica, pero tiene consecuencias metodolรณgicas importantes. Si una herramienta elimina por error un registro รบnico, el equipo puede perder un estudio potencialmente relevante antes de iniciar el cribado. Si, por el contrario, deja demasiados duplicados sin eliminar, aumenta la carga de trabajo durante la selecciรณn por tรญtulo y resumen.
Un estudio reciente publicado en Research Synthesis Methods compara la precisiรณn y la velocidad de ocho herramientas de deduplicaciรณn: ASySD (The Automated Systematic Search Deduplicator), Covidence, Deduklick, EPPI-Reviewer, PICO Portal, Rayyan, SRA Deduplicator: Focused y SRA Deduplicator: Relaxed.
Los autores utilizaron cinco conjuntos de registros procedentes de revisiones Cochrane y los compararon con conjuntos de referencia creados por especialistas en informaciรณn. Evaluaron tres resultados principales: registros รบnicos eliminados por error, duplicados retenidos por error y tiempo total de deduplicaciรณn.
Resultados principales
El estudio evaluรณ tres desenlaces principales:
Registros รบnicos eliminados por error (false positives): registros que la herramienta considerรณ duplicados, aunque en realidad eran รบnicos. Es el error mรกs crรญtico, porque puede hacer desaparecer estudios potencialmente elegibles.
Duplicados retenidos por error (false negatives): duplicados que la herramienta no detectรณ. Es un problema menor desde el punto de vista metodolรณgico, pero aumenta la carga de cribado.
Tiempo total de deduplicaciรณn: incluye tanto el proceso automรกtico como la revisiรณn manual necesaria en algunas herramientas.
Desde el punto de vista metodolรณgico, el desenlace mรกs importante es la eliminaciรณn errรณnea de registros รบnicos. Un duplicado no eliminado puede detectarse mรกs adelante durante el cribado. En cambio, un registro รบnico eliminado antes del cribado puede desaparecer definitivamente del flujo de selecciรณn. En este sentido, Rayyan fue la herramienta mรกs conservadora, con solo dos registros รบnicos eliminados por error. Sin embargo, este resultado se obtuvo a costa de un tiempo muy elevado de trabajo manual: mรกs de veinte horas en total.
Por otro lado, ASySD fue la herramienta que menos duplicados dejรณ sin eliminar, pero tambiรฉn la que mรกs registros รบnicos eliminรณ errรณneamente. SRA Deduplicator: Relaxed fue la mรกs rรกpida, pero retuvo muchos mรกs duplicados que otras herramientas.
La siguiente tabla integra los resultados principales. En todos los casos, valores mรกs bajos indican mejor rendimiento.
El mensaje mรกs importante del estudio es que ninguna herramienta fue superior en los tres desenlaces. Todas presentaron fortalezas y debilidades.
ยฟQuรฉ herramienta elegir?
Este estudio muestra que todas las herramientas evaluadas ofrecen un rendimiento suficientemente aceptable, pero ninguna domina claramente en todos los desenlaces. Por tanto, la pregunta prรกctica no deberรญa ser โยฟcuรกl es la mejor herramienta?โ, sino โquรฉ herramienta se ajusta mejor a las prioridades y recursos de este equipo de revisiรณnโ: tiempo disponible, presupuesto, necesidad de revisiรณn manual y tolerancia al riesgo de perder registros รบnicos.
Para equipos de revisiรณn, bibliotecarios mรฉdicos y especialistas en bรบsquedas, la lecciรณn prรกctica es clara: conviene documentar quรฉ herramienta se utiliza, quรฉ criterios se aplican y quรฉ grado de revisiรณn manual se realiza. La transparencia en la deduplicaciรณn forma parte de la calidad metodolรณgica de la revisiรณn.
Referencia
Bateup S, Fulbright H, Moberg K, Hair K, Peterson E, Stansfield CM, Qureshi R, Clark J. Evaluating the accuracy and speed of eight deduplication tools: A comparative study. Research Synthesis Methods. 2026;00:1-14. doi:10.1017/rsm.2026.10100.
Cada vez es mรกs frecuente que profesionales sanitarios, docentes e investigadores utilicen herramientas de inteligencia artificial generativa para leer, resumir, traducir, organizar informaciรณn o preparar documentos cientรญficos. La pregunta aparece cada vez mรกs en bibliotecas sanitarias: ยฟPuedo subir un artรญculo a ChatGPT, Copilot, Gemini, Claude, Elicit, Consensus u otra herramienta de IA para que me lo resuma?
La respuesta breve serรญa: depende.
Pero la respuesta รบtil es algo mรกs precisa:
No se trata de prohibir el uso de la inteligencia artificial. Se trata de saber quรฉ contenidos podemos introducir, con quรฉ licencia, en quรฉ herramienta y para quรฉ finalidad.
La cuestiรณn no es solo la herramienta: es el contenido
Los recursos electrรณnicos suscritos por las bibliotecas, revistas, libros electrรณnicos, bases de datos, capรญtulos, textos completos, tablas, figuras o metadatos, estรกn sujetos a licencias de uso firmadas con los proveedores y editores.
Estas licencias permiten determinados usos habituales: lectura, consulta, descarga razonable para uso personal, impresiรณn, uso docente dentro de ciertos lรญmites o incorporaciรณn de referencias a trabajos acadรฉmicos. Sin embargo, no siempre permiten otros usos mรกs recientes como cargar PDFs en herramientas externas de IA.
Por eso, tener acceso institucional a un recurso no significa automรกticamente tener permiso para introducirlo en una herramienta de inteligencia artificial.
Usar IA sรญ; alimentar IA con contenidos licenciados, no siempre
Conviene evitar una interpretaciรณn equivocada. Las bibliotecas no estรกn diciendo que no se pueda usar IA. Al contrario: la IA puede ser una herramienta รบtil para el trabajo clรญnico, docente e investigador si se usa de forma responsable.
El problema aparece cuando se introduce en una herramienta de IA contenido que no es propio y que estรก protegido por una licencia editorial: PDFs de artรญculos suscritos, capรญtulos de libros electrรณnicos, tablas, figuras, textos completos o grandes exportaciones de registros.
Dicho de forma sencilla:
Puedes usar IA para pensar mejor, buscar mejor y escribir mejor. Lo que no debes hacer, salvo autorizaciรณn expresa del proveedor/editor, es cargar en herramientas externas de IA contenidos licenciados por la biblioteca.
Open access no significa siempre โpuedo hacer cualquier cosaโ
Otra duda frecuente es si pueden subirse a una herramienta de IA artรญculos open access.
La respuesta vuelve a ser: depende de la licencia.
No es lo mismo un artรญculo con licencia CC BY o CC0, que permite amplias formas de reutilizaciรณn siempre que se respeten sus condiciones, que un artรญculo simplemente accesible de forma gratuita en la web, pero sin licencia clara.
Tampoco son equivalentes las licencias CC BY-NC, que restringen el uso comercial, o CC BY-ND, que limita la creaciรณn o distribuciรณn de obras derivadas. En esos casos, subir el contenido a una herramienta comercial de IA, traducirlo, adaptarlo o reutilizarlo de forma amplia puede requerir una valoraciรณn mรกs cuidadosa.
Por tanto, no basta con comprobar si el artรญculo โse puede leer gratisโ. Hay que revisar la licencia concreta.
Mapa de acceso: cinco zonas para decidir
Para facilitar la toma de decisiones, he preparado un mapa de acceso al uso de artรญculos cientรญficos en herramientas de IA. La metรกfora del mapa permite diferenciar cinco zonas, desde los usos mรกs seguros hasta los no autorizados.
1. Zona libre
Incluye usos generalmente permitidos porque se trabaja con textos propios, consultas generales o datos bibliogrรกficos mรญnimos.
2. Zona con condiciones
Incluye usos posibles, pero condicionados a que se respeten licencias, polรญticas institucionales o requisitos de atribuciรณn.
3. Zona de consulta o cautela
Incluye situaciones en las que no conviene asumir que el uso estรก permitido sin revisar antes la licencia, la herramienta y la finalidad.
4. Zona restringida con autorizaciรณn
Incluye usos que, en general, requieren autorizaciรณn expresa del proveedor/editor, de la licencia o de la instituciรณn.
5. Zona no autorizada
Incluye usos que, salvo autorizaciรณn expresa del proveedor/editor, no deben realizarse con contenidos suscritos o licenciados.
Un dashboard interactivo para resolver dudas frecuentes
Ademรกs de la infografรญa, he preparado un dashboard interactivo con ejemplos de uso clasificados en cinco categorรญas:
Permitido.
Permitido con condiciones.
No permitido.
Dudoso / requiere cautela.
Requiere autorizaciรณn expresa del proveedor/editor.
El objetivo del dashboard es facilitar la consulta rรกpida de casos prรกcticos. Permite filtrar por tipo de uso, revisar ejemplos concretos y orientar la respuesta ante dudas frecuentes de usuarios.
No sustituye la revisiรณn de las licencias de cada proveedor ni constituye asesoramiento jurรญdico, pero puede ayudar a aplicar criterios prudentes y homogรฉneos en el uso cotidiano de recursos electrรณnicos e inteligencia artificial.
Preguntas frecuentes
ยฟPuedo subir un PDF descargado desde la biblioteca a ChatGPT para que me haga un resumen?
Si es un PDF procedente de un recurso suscrito y no hay autorizaciรณn expresa del proveedor/editor, la respuesta prudente es no. Aunque el uso sea personal, la carga del archivo en una herramienta externa puede implicar copia, alojamiento, procesamiento o generaciรณn de resultados no autorizados por la licencia.
ยฟY si solo pego un fragmento?
Depende del fragmento, de la licencia y de la finalidad. En general, no conviene pegar textos sustanciales de artรญculos o capรญtulos licenciados en herramientas externas. Si se trata de una cita breve para anรกlisis propio, habrรก que valorar el contexto; si se trata de resumir, traducir o reutilizar contenido licenciado, el riesgo aumenta.
ยฟPuedo usar IA para hacer una bรบsqueda bibliogrรกfica?
Sรญ. Puedes utilizar IA para formular la pregunta, identificar conceptos, sugerir sinรณnimos, proponer tรฉrminos controlados o revisar la lรณgica de una estrategia. Lo que no deberรญas hacer es cargar en la herramienta PDFs, textos completos o exportaciones masivas de contenidos licenciados sin autorizaciรณn.
ยฟPuedo usar IA para una revisiรณn sistemรกtica?
Sรญ, pero con cautela. Puedes usar IA como apoyo metodolรณgico, para estructurar preguntas, explorar tรฉrminos, preparar formularios o revisar textos propios. Sin embargo, subir todos los PDFs descargados desde recursos suscritos a una herramienta de IA para cribado, extracciรณn de datos, resumen o sรญntesis no deberรญa hacerse salvo autorizaciรณn expresa del proveedor/editor.
ยฟY si uso una herramienta institucional como Copilot?
El hecho de que una herramienta sea institucional puede reducir algunos riesgos de privacidad o confidencialidad, pero no resuelve automรกticamente el problema de las licencias editoriales. Que una herramienta declare que no entrena con los datos no significa necesariamente que la licencia permita cargar contenido suscrito en ella.
ยฟPuedo subir artรญculos open access?
Depende de la licencia. Los artรญculos con licencia CC BY o CC0 son los casos mรกs claros, siempre citando correctamente la fuente. Los artรญculos โfree accessโ sin licencia explรญcita, o aquellos con licencias CC BY-NC, CC BY-ND o combinaciones restrictivas, requieren mayor cautela.
El papel de la biblioteca
La biblioteca no estรก para frenar la innovaciรณn ni para impedir el uso de herramientas รบtiles. Su papel es ayudar a que el uso de la inteligencia artificial sea:
legalmente prudente;
metodolรณgicamente responsable;
compatible con las licencias suscritas;
respetuoso con los derechos de autor;
seguro desde el punto de vista institucional;
รบtil para la prรกctica clรญnica, docente e investigadora.
Ante una duda concreta, lo mรกs recomendable es consultar con la biblioteca antes de cargar contenidos editoriales en herramientas de IA, especialmente cuando se trate de textos completos, PDFs, capรญtulos, tablas, figuras, metadatos masivos o uso automatizado.
Conclusiรณn
La inteligencia artificial puede ser una aliada valiosa para los profesionales sanitarios. Puede ayudarnos a pensar, buscar, organizar, redactar y aprender mejor. Pero su uso con contenidos cientรญficos requiere conocer los lรญmites impuestos por las licencias editoriales. La regla prรกctica es sencilla: Use IA con textos propios, consultas generales, referencias mรญnimas y contenidos abiertos cuya licencia lo permita. No suba a herramientas externas de IA contenidos suscritos por la biblioteca salvo autorizaciรณn expresa del proveedor/editor. Ante la duda, consulte con la biblioteca. Mejor preguntar antes que comprometer el acceso institucional a recursos esenciales para la asistencia, la docencia y la investigaciรณn.
Nota: Esta entrada tiene finalidad orientativa y no sustituye la revisiรณn de las licencias especรญficas de cada proveedor ni el asesoramiento jurรญdico institucional.
La IA puede procesar informaciรณn, resumir documentos, sugerir tรฉrminos, redactar textos aparentemente impecables y ayudarnos en muchas tareas. Pero no tiene responsabilidad profesional, no tiene memoria institucional, no entiende el daรฑo que puede causar una mala evidencia en una decisiรณn clรญnica y, desde luego, no va a presentarse en un comitรฉ a explicar por quรฉ una revisiรณn sistemรกtica estรก mal planteada.
Su utilidad es enorme, pero sus lรญmites tambiรฉn lo son. Y en ciencias de la salud esos lรญmites no son un asunto menor: una respuesta convincente, pero falsa o metodolรณgicamente dรฉbil, puede influir en decisiones clรญnicas, docentes, investigadoras o de gestiรณn.
El valor del juicio crรญtico
Nuestro valor diferencial estรก en el juicio crรญtico. En saber cuรกndo una respuesta es brillante pero falsa; cuรกndo una bรบsqueda parece suficiente, pero deja fuera estudios clave; cuรกndo una herramienta promete evidencia y en realidad entrega una mezcla de resรบmenes, sesgos y referencias fantasma; cuรกndo un documento estรก muy bien escrito, pero metodolรณgicamente no se sostiene.
Ahรญ las bibliotecarias de ciencias de la salud tenemos un papel muy claro: somos รกrbitras de la realidad. Y sรฉ que suena un poco solemne, pero en este momento hace falta cierta solemnidad. Porque estamos entrando en una etapa en la que producir texto serรก facilรญsimo, producir apariencia de conocimiento serรก baratรญsimo y distinguir lo fiable de lo dudoso serรก cada vez mรกs difรญcil.
Hay ademรกs un problema de escala. La IA permite producir contenidos a una velocidad muy superior a nuestra capacidad humana para revisarlos. Y no, la soluciรณn no puede ser simplemente poner otra IA a validar lo que la primera IA ha generado, porque precisamente lo que estรก en juego es la confianza en ese proceso. Una herramienta puede ayudar a detectar errores o priorizar revisiones, pero no puede asumir la responsabilidad de decidir quรฉ aceptamos como evidencia.
Ese desfase entre producciรณn automรกtica y validaciรณn humana es uno de los grandes desafรญos que vienen. Y ahรญ las bibliotecas de ciencias de la salud tienen un papel incรณmodo pero imprescindible: recordar que mรกs contenido no significa mรกs conocimiento, y que una respuesta generada en segundos puede necesitar mucho mรกs que segundos para ser considerada fiable.
Por eso, en este contexto, la biblioteca no puede limitarse a enseรฑar โherramientas de IAโ. Tiene que enseรฑar a pensar con IA, contra la IA cuando haga falta, y mรกs allรก de la IA siempre.
La metรกfora: una fรกbrica de respuestas
Para explicarlo de forma grรกfica, he utilizado esta imagen: un hospital del futuro convertido casi en una fรกbrica de conocimiento asistida por inteligencia artificial. La IA produce en cadena artรญculos, guรญas clรญnicas, informes, resรบmenes, referencias y recomendaciones con una apariencia impecable. Todo parece rรกpido, limpio, eficiente y profesional. Pero algunos de esos productos llevan seรฑales de alerta: sesgo, evidencia dรฉbil, fuente no verificada, referencia fantasma, riesgo de alucinaciรณn.
La IA puede producir respuestas a gran velocidad; la biblioteca garantiza que esas respuestas sean fiables, trazables, รฉticas y รบtiles para la toma de decisiones en salud.
En primer plano aparece una bibliotecaria de ciencias de la salud revisando esos productos como si fuera una inspectora de control de calidad. No estรก compitiendo con la mรกquina en velocidad. No pretende producir mรกs documentos que la IA. Su funciรณn es otra: comprobar la trazabilidad, evaluar la calidad metodolรณgica, detectar errores, valorar la aplicabilidad clรญnica, revisar la evidencia y decidir quรฉ puede considerarse fiable.
La metรกfora es sencilla: la inteligencia artificial puede ser una fรกbrica de respuestas; las bibliotecarias somos el control de calidad del conocimiento. Y en salud, esto no es una cuestiรณn estรฉtica ni corporativa. Una respuesta rรกpida pero falsa no es innovaciรณn: es riesgo con buena presentaciรณn.
La inteligencia artificial puede ser una fรกbrica de respuestas; las bibliotecarias somos el control de calidad del conocimiento.
Tambiรฉn aportamos รฉtica profesional. La IA no tiene deontologรญa. No defiende la privacidad del usuario. No se preocupa por la equidad en el acceso. No se pregunta si una herramienta discrimina, si sus datos de entrenamiento son representativos, si sus resultados son transparentes o si estรก trasladando al usuario una falsa sensaciรณn de certeza. Nosotras sรญ deberรญamos hacerlo.
Y, ademรกs, deberรญamos estar en las mesas donde se decide quรฉ herramientas se compran, cรณmo se implantan, con quรฉ garantรญas, con quรฉ lรญmites y con quรฉ evaluaciรณn. La incorporaciรณn de IA en instituciones sanitarias y acadรฉmicas no deberรญa ser solo una decisiรณn tecnolรณgica o comercial. Tambiรฉn es una decisiรณn รฉtica, informacional y metodolรณgica.
Investigaciรณn: la bรบsqueda no es apretar un botรณn
En investigaciรณn, nuestro valor es todavรญa mรกs evidente. En una revisiรณn sistemรกtica, la IA puede ayudar en el cribado, en la extracciรณn o en la organizaciรณn de informaciรณn, pero no sustituye la arquitectura intelectual de una bรบsqueda reproducible, sensible, transparente y justificable.
Traducir una pregunta clรญnica compleja en una estrategia de bรบsqueda no es apretar un botรณn: es tomar decisiones metodolรณgicas, documentarlas y responder por ellas. Y eso, aunque a veces se olvide, es conocimiento experto.
En clรญnica, el reto serรก parecido. La medicina se dirige hacia modelos cada vez mรกs basados en datos, sistemas de apoyo a la decisiรณn, algoritmos predictivos y herramientas integradas en la historia clรญnica. Pero la consigna deberรญa seguir siendo muy sencilla: medicina inteligente, decisiones humanas.
Y en esa cadena de decisiones humanas, la biblioteca puede aportar algo esencial: evidencia validada, contexto, trazabilidad y prudencia.
La mediaciรณn humana tambiรฉn cuenta
Luego estรก el componente humano, que conviene no romantizar, pero tampoco despreciar. La IA puede contestar; una bibliotecaria puede acompaรฑar. Puede entender que detrรกs de una pregunta hay una tesis bloqueada, un residente perdido, una enfermera preparando una sesiรณn, un clรญnico con una duda real o un paciente asustado.
Esa mediaciรณn humana, esa capacidad de traducir complejidad sin aplastar a quien pregunta, no es un adorno: es parte del servicio.
La advertencia: la IA tambiรฉn genera sobrecarga
Ahora bien, quiero aรฑadir una advertencia. Me preocupa que se nos pida ser lรญderes en IA con la misma plantilla, el mismo tiempo, el mismo presupuesto y, si puede ser, con una sonrisa.
Hay mucho discurso รฉpico sobre la adaptaciรณn, pero poca conversaciรณn sobre la sobrecarga. La IA estรก generando nuevas tareas: formaciรณn, evaluaciรณn de herramientas, guรญas de uso, apoyo a investigadores, dudas docentes, problemas รฉticos, privacidad, derechos de autor, sesgos, integridad cientรญfica. Todo eso no se sostiene solo con vocaciรณn.
La vocaciรณn es magnรญfica, pero no deberรญa ser el nombre elegante de trabajar siempre por encima de nuestras posibilidades.
Asรญ que mi respuesta serรญa: lo que la IA no puede sustituir es nuestro juicio profesional, nuestra responsabilidad รฉtica, nuestra capacidad de mediaciรณn, nuestra comprensiรณn del contexto institucional y nuestra funciรณn como garantes de confianza. Pero para ejercer ese papel necesitamos algo mรกs que entusiasmo tecnolรณgico. Necesitamos reconocimiento, formaciรณn, tiempo, estructura y presencia estratรฉgica.
Porque si la instituciรณn quiere que la biblioteca sea el โhumano confiable en el bucleโ, tendrรก que dejar de tratarnos como el enchufe mรบltiple al que se conecta todo lo que nadie sabe dรณnde poner.
La IA no nos sustituirรก por saber mรกs que nosotras; nos sustituirรกn las instituciones si aceptan que una respuesta rรกpida vale mรกs que una respuesta fiable.
Quรฉ es un protocolo, quรฉ decisiones debe preespecificar, dรณnde puede registrarse o depositarse y quรฉ errores metodolรณgicos conviene evitar.
Esta entrada recoge y desarrolla algunas de las ideas centrales del curso โProtocolo de revisiones sistemรกticas: del protocolo como trรกmite al protocolo como garantรญa metodolรณgicaโ, impartido recientemente para BiblioSalud. El material docente de la sesiรณn estรก depositado en acceso abierto en Zenodo: Campos-Asensio C. Protocolo de revisiones sistemรกticas: Del protocolo como trรกmite al protocolo como garantรญa metodolรณgica. Zenodo; 2026 May 20. doi:10.5281/zenodo.20307930.
Un protocolo de revisiรณn sistemรกtica no es un requisito burocrรกtico; es el mapa de navegaciรณn metodolรณgico que blinda la integridad de la investigaciรณn, garantizando la transparencia y previniendo sesgos desde el primer paso.
Sin protocolo, la revisiรณn puede parecer mรกs rรกpida al principio, pero suele ser menos transparente, menos reproducible y mรกs vulnerable a decisiones improvisadas.
El protocolo es un instrumento esencial para proteger la integridad del proceso de sรญntesis. Actรบa como un mapa de navegaciรณn que fija el rumbo antes de que el ยซruidoยป de los datos individuales o los resultados preliminares influyan en las decisiones del equipo. Al establecer una hoja de ruta clara y pรบblica, el protocolo protege la sรญntesis de pruebas cientรญficas, asegurando que los hallazgos finales sean fiables, creรญbles y, por encima de todo, reproducibles por la comunidad cientรญfica internacional.
2. ยฟQuรฉ es un protocolo de revisiรณn sistemรกtica?
Un protocolo de revisiรณn sistemรกtica es un plan establecido a priori que describe de forma exhaustiva los objetivos, la metodologรญa y el plan de anรกlisis previstos. Segรบn los estรกndares de la Colaboraciรณn Cochrane, no es un borrador flexible, sino un compromiso metodolรณgico que permite a los lectores evaluar la rigurosidad de los mรฉtodos aplicados y verificar si existieron cambios injustificados durante la ejecuciรณn.
Definiciรณn de protocolo de revisiรณn sistemรกtica. El protocolo como plan a priori de una revisiรณn sistemรกtica.
Para ilustrar su aplicaciรณn, consideremos el ejemplo clรกsico del uso de vitamina C para el resfriado comรบn. Un protocolo sรณlido definirรญa, antes de comenzar la bรบsqueda, los siguientes elementos nucleares:
Justificaciรณn y racionalidad: Descripciรณn de la condiciรณn (fisiopatologรญa del resfriado), la importancia de la intervenciรณn (vitamina C) y las lagunas de conocimiento actuales.
Pregunta de investigaciรณn y objetivos (Formato PICO/PECO): Por ejemplo: ยซยฟPreviene o trata la vitamina C el resfriado comรบn en comparaciรณn con el placebo en adultos?ยป. Aquรญ se definen la Poblaciรณn (adultos), Intervenciรณn (vitamina C oral), Comparaciรณn (placebo) y Outcomes o resultados (incidencia, duraciรณn y gravedad de los sรญntomas).
Criterios de elegibilidad: Definiciรณn precisa de quรฉ estudios se incluirรกn (ej. ensayos clรญnicos aleatorizados) y cuรกles se excluirรกn (ej. estudios en niรฑos o que usen suplementos combinados).
Mรฉtodos de bรบsqueda, selecciรณn y extracciรณn: Detalle de las fuentes (PubMed, Embase, Cochrane Library), la estrategia de bรบsqueda completa para al menos una base de datos y el proceso de cribado por duplicado e independiente.
Evaluaciรณn de sesgos: Plan para aplicar herramientas especรญficas como RoB 2 (para ensayos aleatorizados) o ROBINS-I (para estudios no aleatorizados).
Plan de sรญntesis de pruebas: Especificaciรณn de cรณmo se combinarรกn los datos. Esto incluye decidir si se realizarรก un metaanรกlisis o si se utilizarรกn otros mรฉtodos como la Sรญntesis sin Metaanรกlisis (SWiM) si la heterogeneidad es excesiva.
Mapa metodolรณgico del protocolo de una revisiรณn sistemรกtica.
En esencia, la transparencia y la reproducibilidad son los pilares de esta definiciรณn, permitiendo que la comunidad cientรญfica confรญe en la objetividad de las conclusiones.
3. Por quรฉ el protocolo es el mejor aliado del equipo de revisiรณn: 5 pilares prรกcticos
El desarrollo de un protocolo sรณlido no debe verse como una carga, sino como una inversiรณn estratรฉgica que se apoya en cinco pilares fundamentales:
3.1. Planificaciรณn y mitigaciรณn de la deriva
Una revisiรณn sistemรกtica implica muchas decisiones metodolรณgicas: poblaciรณn, intervenciรณn o fenรณmeno de interรฉs, comparadores, desenlaces, diseรฑos de estudio, bases de datos, estrategia de bรบsqueda, proceso de cribado, extracciรณn de datos, evaluaciรณn del riesgo de sesgo y mรฉtodo de sรญntesis.
El protocolo obliga al equipo a fijar la pregunta y los mรฉtodos antes de que el conocimiento de los resultados individuales pueda sesgar el juicio evitando que el equipo ยซimproviseยป criterios de selecciรณn a medida que encuentra estudios interesantes.
3.2. Transparencia y trazabilidad
Funciona como un rastro verificable de las decisiones. Al declarar los mรฉtodos de antemano, se permite que otros investigadores evalรบen la alineaciรณn entre lo planeado y lo ejecutado. Esto es vital para detectar el reporte selectivo de resultados, donde solo se publican aquellos hallazgos que resultaron estadรญsticamente significativos.
Principales funciones del protocolo como plan vivo de la revisiรณn: planificaciรณn, transparencia, control de sesgos, eficiencia y reproducibilidad.
3.3. Control de sesgos y decisiones ad hoc
El protocolo reduce el riesgo de decisiones ad hoc tomadas despuรฉs de conocer los resultados de los estudios. Por ejemplo, cambiar los criterios de elegibilidad, modificar desenlaces o alterar el anรกlisis porque los resultados no son los esperados puede introducir sesgo y comprometer la credibilidad de la revisiรณn.
3.4. Reproducibilidad cientรญfica
El protocolo ofrece el detalle suficiente para que otro equipo pueda evaluar la ยซbrechaยป entre lo previsto y lo realizado. Es decir, permite comparar lo planificado con lo finalmente realizado. Esto no significa que el protocolo sea inamovible. En una revisiรณn pueden surgir problemas no previstos: una definiciรณn demasiado restrictiva, un tipo de estudio relevante que no se habรญa considerado o dificultades prรกcticas en la bรบsqueda. Pero cualquier modificaciรณn debe quedar claramente documentada y justificada en la revisiรณn final.
3.5. Eficiencia y coordinaciรณn de equipos
La planificaciรณn previa ahorra tiempo y recursos. Permite asignar roles especรญficos (investigador principal, estadรญstico, coordinador de bรบsqueda) y alinear al equipo multidisciplinar. Ademรกs, su registro pรบblico alerta a otros investigadores, evitando la duplicaciรณn de esfuerzos y reduciendo el desperdicio de recursos en la ciencia.
4. Decisiones crรญticas que deben quedar definidas (antes de empezar)
Componentes esenciales que deben quedar preespecificados en el protocolo de una revisiรณn sistemรกtica.
Para cumplir con los estรกndares, existen componentes que no pueden dejarse al azar. Es imperativo redactar estas secciones en tiempo futuro y utilizando la voz activa (ej. ยซdos revisores seleccionarรกn los estudios de forma independienteยป en lugar de ยซlos estudios serรกn seleccionadosยป).
Estrategia de bรบsqueda: Se deben listar todas las fuentes (bases de datos, registros de ensayos, literatura gris) y proporcionar el borrador de tรฉrminos para la base de datos principal.
Estrategia de bรบsqueda de evidencia: componentes tรฉcnicos y garantรญas metodolรณgicas.
Proceso de selecciรณn y cegamiento: Debe detallarse cรณmo se manejarรก el ยซcegamientoยป entre revisores durante el cribado para asegurar la independencia. Es fundamental decidir cรณmo se resolverรกn los desacuerdos (ej. mediante un tercer revisor senior).
Evaluaciรณn del riesgo de sesgo: No basta con mencionar que se evaluarรก; se debe especificar la herramienta (RoB 2 o ROBINS-I) y el software de gestiรณn de datos, como RevMan, que facilita la integraciรณn de estas evaluaciones en los grรกficos de bosque (forest plots).
Plan de anรกlisis y sรญntesis: Se debe definir cuรกndo es apropiado un metaanรกlisis basรกndose en la heterogeneidad clรญnica y estadรญstica. Si no es posible, se debe haber pre-especificado un mรฉtodo de sรญntesis alternativo (SWiM) para evitar la elecciรณn arbitraria de mรฉtodos tras ver los datos.
5. El ecosistema de registro: ยฟDรณnde y cรณmo publicar el plan?
Aunque PROSPERO sigue siendo la referencia internacional mรกs reconocida para revisiones sistemรกticas con desenlaces relacionados con la salud, especialmente en revisiones de efectividad, diagnรณstico, pronรณstico o factores de riesgo, no todas las revisiones encajan en sus criterios. Por ejemplo, las scoping reviews requieren habitualmente otras alternativas.
El ecosistema actual incluye plataformas con funciones distintas. Algunas actรบan como registros especรญficos de revisiones sistemรกticas, como PROSPERO o INPLASY; otras son registros generales de investigaciรณn, como OSF Registries o Research Registry; y otras funcionan principalmente como repositorios o espacios de publicaciรณn y preservaciรณn del protocolo completo, como protocols.io o Figshare. Tambiรฉn existen opciones vinculadas a marcos metodolรณgicos concretos, como el entorno JBI, especialmente รบtil para equipos afiliados que trabajan con metodologรญa del Joanna Briggs Institute.
Principales plataformas para registrar, publicar o depositar protocolos de revisiones sistemรกticas. No todas cumplen la misma funciรณn ni son adecuadas para todos los tipos de revisiรณn.
Ademรกs de los registros especรญficos como PROSPERO o INPLASY, OSF Registries ofrece una opciรณn especialmente flexible para preregistrar distintos tipos de revisiones. En concreto, dispone del formulario โGeneralized Systematic Review Registrationโ, que permite documentar protocolos de revisiones sistemรกticas, revisiones de alcance, revisiones cualitativas, metaanรกlisis u otros diseรฑos de sรญntesis que no siempre encajan en los criterios de plataformas mรกs especรญficas.
Ademรกs de decidir dรณnde registrar o depositar el protocolo, una cuestiรณn prรกctica frecuente es por dรณnde empezar a redactarlo. Las plantillas pueden ser muy รบtiles para estructurar el trabajo inicial, asegurar que no se omiten apartados metodolรณgicos relevantes y facilitar la discusiรณn dentro del equipo revisor. Pero hay que recordad que las plantillas ayudan a estructurar el protocolo, pero deben adaptarse al tipo de revisiรณn, a la pregunta de investigaciรณn y a los estรกndares metodolรณgicos aplicables.
Entre los recursos รบtiles para preparar protocolos de revisiones sistemรกticas y revisiones de alcance se encuentran las siguientes plantillas y documentos de apoyo:
JBI scoping review protocol template. Plantilla de ejemplo bรกsica para protocolos de revisiones de alcance siguiendo metodologรญa JBI. https://pubmed.ncbi.nlm.nih.gov/35102103/
6. Errores frecuentes: Lo que debilita tu garantรญa metodolรณgica
El protocolo solo funciona como garantรญa metodolรณgica si se redacta antes de iniciar la revisiรณn, si recoge decisiones suficientemente detalladas y si se mantiene trazable cuando el proyecto evoluciona. En la prรกctica, una parte importante de los problemas no procede de la ausencia absoluta de protocolo, sino de un uso incompleto, retrospectivo o meramente formal del mismo.
Uno de los errores mรกs frecuentes es la redacciรณn tardรญa del protocolo. Si el documento se elabora cuando el cribado ya ha comenzado, o cuando el equipo ya ha tomado decisiones relevantes sobre criterios de elegibilidad, desenlaces, fuentes de informaciรณn o anรกlisis, el protocolo pierde su funciรณn principal: prevenir decisiones condicionadas por los resultados encontrados. En ese caso, deja de ser una planificaciรณn prospectiva y se convierte en una reconstrucciรณn posterior del mรฉtodo.
Errores metodolรณgicos frecuentes en el uso del protocolo: redacciรณn tardรญa, falso protocolo, desviaciones silenciosas y abandono del registro.
Otro problema habitual es confundir un registro mรญnimo con un protocolo metodolรณgico completo. Registrar una revisiรณn en PROSPERO, OSF u otra plataforma no equivale necesariamente a disponer de un protocolo sรณlido. El registro aporta visibilidad, fecha, trazabilidad y transparencia, pero el protocolo debe contener el detalle suficiente para guiar la revisiรณn: pregunta, criterios de inclusiรณn y exclusiรณn, fuentes de informaciรณn, estrategia de bรบsqueda, gestiรณn de duplicados, proceso de selecciรณn, extracciรณn de datos, evaluaciรณn crรญtica y plan de sรญntesis.
Tambiรฉn son frecuentes las desviaciones silenciosas respecto al plan inicial. Durante una revisiรณn pueden aparecer razones legรญtimas para modificar algรบn aspecto metodolรณgico: redefinir un desenlace, ajustar criterios de elegibilidad, cambiar el enfoque de sรญntesis o decidir que el metaanรกlisis no es adecuado por la heterogeneidad de los estudios. El problema no es modificar el protocolo cuando existe una justificaciรณn metodolรณgica clara; el problema es hacerlo sin documentarlo.
La literatura tambiรฉn ha descrito problemas relacionados con el propio registro de las revisiones: desconocimiento de la necesidad de registrar el protocolo, temor infundado a que otros grupos โrobenโ la idea, baja cobertura del registro en determinados tipos de sรญntesis y el fenรณmeno de los llamados โprotocolos fantasmaโ, es decir, registros que no llegan a traducirse en una revisiรณn publicada o cuyo estado no se actualiza adecuadamente. A ello se suma el abandono del registro cuando no se refleja el progreso, la publicaciรณn final o la interrupciรณn del proyecto (8-9).
7.Conclusiรณn
Un protocolo sรณlido es la frontera que separa una revisiรณn sistemรกtica que aporta pruebas cientรญficas fiables de una que solo genera confusiรณn y ruido estadรญstico. Invertir tiempo en la fase de diseรฑo no es solo una buena prรกctica; es la garantรญa de que el esfuerzo del equipo se traducirรก en conocimiento capaz de transformar la prรกctica clรญnica y mejorar la salud de los pacientes.
NOTA: Esta entrada forma parte de una reflexiรณn metodolรณgica derivada del curso impartido para BiblioSalud sobre protocolos de revisiones sistemรกticas. La presentaciรณn y los materiales docentes asociados estรกn disponibles en acceso abierto en Zenodo, con el objetivo de facilitar su consulta, reutilizaciรณn y preservaciรณn.
Para cerrar la entrada, he preparado tambiรฉn un breve cuestionario interactivo para que quienes lo deseen puedan comprobar sus conocimientos sobre los protocolos de las revisiones sistemรกticas.
Cuestionario final de autoevaluaciรณn. Una forma prรกctica de comprobar si han quedado claros los conceptos esenciales sobre el protocolo de una revisiรณn sistemรกtica.
Referencias Bibliogrรกficas
Moher D, Shamseer L, Clarke M, Ghersi D, Liberati A, Petticrew M, et al. Preferred reporting items for systematic review and meta-analysis protocols (PRISMA-P) 2015 statement. Syst Rev. 2015;4:1.
Shamseer L, Moher D, Clarke M, Ghersi D, Liberati A, Petticrew M, et al. Preferred reporting items for systematic review and meta-analysis protocols (PRISMA-P) 2015: elaboration and explanation. BMJ. 2015;349:g7647.
Cumpston M, Lasserson T, Flemyng E, Page MJ. Chapter III: Reporting the review. In: Higgins JPT, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, editors. Cochrane Handbook for Systematic Reviews of Interventions version 6.5. Cochrane; 2024.
Covidence. Protocol Development for Systematic Reviews: A practical guide. Veritas Health Innovation Ltd; 2024.
Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71.
Campos Asensio C. Necesidad de protocolo en las revisiones de sรญntesis de evidencia y dรณnde registrarlo. Biblioboletรญn. 2022; Junio (13):9. https://hdl.handle.net/20.500.12530/54668
Campos-Asensio C. Protocolo de revisiones sistemรกticas: Del protocolo como trรกmite al protocolo como garantรญa metodolรณgica [Internet]. Zenodo; 2026 May 20. doi:10.5281/zenodo.20307930.
Tawfik GM, Giang HTN, Ghozy S, Altibi AMA, Kandil H, Le HH, et al. Protocol registration issues of systematic review and meta-analysis studies: a survey of global researchers. BMC Med Res Methodol. 2020 Aug 25;20(1):213. doi:10.1186/s12874-020-01094-9.
Nguyen PY, Kanukula R, McKenzie JE, Alqaidoom Z, Brennan SE, Haddaway NR, et al. Changing patterns in reporting and sharing of review data in systematic reviews with meta-analysis of the effects of interventions: cross sectional meta-research study. BMJ. 2022 Nov 22;379:e072428. doi:10.1136/bmj-2022-072428.
La inteligencia artificial ya forma parte del proceso de escritura cientรญfica. Tambiรฉn en las revisiones sistemรกticas. Y no se trata de discutir si debe utilizarse o no, porque ya se estรก utilizando, sino de abordar una cuestiรณn mucho mรกs relevante: quiรฉn responde de su uso en los manuscritos.
Imagen generada por Gemini.
.
Los autores: responsables, sin matices
La responsabilidad principal debe recaer en los autores. Son quienes firman el manuscrito y quienes deben garantizar su integridad.
Esto implica algo mรกs que declarar el uso de IA. Implica verificar de forma crรญtica todo lo que la herramienta haya generado o modificado: desde el texto hasta las referencias o la interpretaciรณn de los resultados. La evidencia reciente es clara: el problema no es el uso de IA, sino su uso sin supervisiรณn y sin transparencia.
Imagen generada por Gemini.
.
Los revisores por pares: detectores de problemas, no auditores
El papel del revisor es clave, pero tiene lรญmites. Puede, y debe, identificar seรฑales de alerta: referencias que no existen, texto excesivamente genรฉrico, incoherencias entre mรฉtodos y resultados o interpretaciones poco consistentes. Pero no es realista ni adecuado convertir al revisor en el responsable de verificar el uso de IA en cada manuscrito.
Ademรกs, el propio proceso de revisiรณn ya estรก sometido a una presiรณn creciente. La comprobaciรณn de referencias, por ejemplo, es cada vez mรกs compleja y consume tiempo, a menudo con barreras tรฉcnicas aรฑadidas.
Pedir al revisor que asuma tambiรฉn el control del uso de IA es, sencillamente, trasladar el problema a quien tiene menos capacidad estructural para resolverlo.
Imagen generada por Gemini.
.
Las revistas: donde debe estar el control
Si la responsabilidad es de los autores, el control debe estar en las revistas. Son las editoriales las que pueden establecer reglas claras y aplicables:
exigir la declaraciรณn del uso de IA,
realizar un cribado editorial previo,
implementar herramientas de detecciรณn de problemas,
orientar a los revisores sobre cรณmo actuar ante sospechas.
Algunas ya lo estรกn haciendo, incorporando polรญticas especรญficas y reforzando los controles previos a la revisiรณn por pares.
Sin este nivel de control editorial, el sistema depende en exceso de la buena prรกctica individual y del esfuerzo voluntario de los revisores.
.
Una responsabilidad compartida
Imagen generada por Gemini.
.
La soluciรณn no pasa por repartir la responsabilidad sin criterio:
Autores: responsables del contenido y del uso de IA.
Revistas: responsables de las normas y los controles.
Revisores: responsables de detectar problemas y seรฑalarlos.
.
BIBLIOGRAFรA
Begagiฤ E, Skenderi F, Vranic S. The role of reviewers in the era of systematic reviews and meta-analysis: A practical guide for researchers. Biomol Biomed. 2026;26(1):40-50. https://doi.org/10.17305/bb.2025.12979
Mondal H. Letter regarding โThe role of reviewers in the era of systematic reviews and meta-analysis: A practical guide for researchersโ. Biomol Biomed. 2026. https://doi.org/10.17305/bb.2026.14264
La tesis es clara: la implantaciรณn acelerada de herramientas de IA generativa estรก aรฑadiendo nuevas tareas, nuevas expectativas y nuevas presiones sobre el personal bibliotecario. Formaciรณn, acompaรฑamiento, criterios de uso, resoluciรณn de dudas, elaboraciรณn de materiales, apoyo a docentes e investigadoresโฆ Todo ello, muchas veces, sobre estructuras ya tensionadas.
El artรญculo recupera ademรกs el concepto de idealizaciรณn vocacional (conocido en la literatura anglosajona como vocational awe) y su intersecciรณn con la inteligencia artificial en el รกmbito bibliotecario, รบtil para pensar cรณmo en bibliotecas a veces se normaliza asumir mรกs responsabilidades en nombre del servicio, la adaptaciรณn o la misiรณn profesional.
Porque la transformaciรณn digital no se sostiene solo con herramientas, se sostiene con personas. La IA no debe ser una frontera mรกs que el bibliotecario deba conquistar mediante el sacrificio individual.
Y si las instituciones quieren una integraciรณn responsable de la IA, no basta con pedir liderazgo al personal bibliotecario: hace falta tiempo, apoyo, formaciรณn, reconocimiento y una estructura real de acompaรฑamiento.
Una lectura muy recomendable para bibliotecarios, responsables acadรฉmicos y gestores que quieran pensar la IA no solo como innovaciรณn, sino tambiรฉn como cambio organizativo con impacto humano.
Cuando hablamos de revisiones sistemรกticas, solemos pensar en bรบsquedas en mรบltiples bases de datos bibliogrรกficas con estrategias booleanas extensas y complejas. Pero tenemos que recordar que una parte de la evidencia relevante no siempre llega a las revistas cientรญficas o no lo hace con la misma rapidez ni visibilidad. Ahรญ es donde entra la literatura gris. Tesis, informes tรฉcnicos, registros de ensayos, resรบmenes de congresos o documentos regulatorios pueden aportar informaciรณn valiosa para reducir sesgos, completar el mapa de la evidencia y mejorar la transparencia del proceso de revisiรณn. Buscarla no siempre es sencillo, pero ignorarla sin justificaciรณn puede debilitar una sรญntesis.
Empecemos por lo bรกsico: quรฉ entendemos por literatura gris
La literatura gris suele definirse como aquella producciรณn cientรญfica o tรฉcnica generada por instituciones acadรฉmicas, administraciones, organismos, empresas o industrias que no estรก controlada por los circuitos editoriales comerciales habituales (1). Una de las caracterรญsticas que mejor define a la literatura gris es, precisamente, su dificultad de localizaciรณn. En primer lugar porque queda fuera de los circuitos convencionales de indexaciรณn, bรบsqueda y difusiรณn cientรญfica. Ademรกs, a menudo estรก dispersa, mal descrita, alojada en plataformas heterogรฉneas o en sitios web poco estables, lo que obliga a diseรฑar estrategias de bรบsqueda mรกs abiertas, mรกs manuales y mejor documentadas.
ยฟY quรฉ entra dentro de este grupo? Tenemos, entre otros, las tesis doctorales, los informes tรฉcnicos, la documentaciรณn de agencias reguladoras, las actas o resรบmenes de congresos, los registros de ensayos clรญnicos y los preprints.
Resulta llamativo que, pese a la importancia metodolรณgica de rastrear literatura gris, algunos manuscritos de revisiones sistemรกticas sigan indicando como motivo de exclusiรณn que un estudio no haya sido publicado en una revista con revisiรณn por pares, como si el canal de publicaciรณn pudiera sustituir por sรญ mismo la valoraciรณn crรญtica de su relevancia y su calidad metodolรณgica.
Por quรฉ importa en una revisiรณn sistemรกtica
La principal razรณn para buscar literatura gris es metodolรณgica. Su inclusiรณn puede ayudar a reducir el sesgo de publicaciรณn, es decir, la tendencia a que los estudios con resultados positivos o estadรญsticamente significativos tengan mรกs probabilidades de publicarse en revistas que aquellos con resultados nulos o negativos (1).
Esto tiene consecuencias directas en la sรญntesis de la evidencia. Si una revisiรณn incorpora solo estudios publicados en revistas, puede ofrecer una imagen incompleta o sesgada del efecto real de una intervenciรณn; dejar fuera determinadas fuentes puede afectar a la estimaciรณn final (2). Un ejemplo es el que Man-Son-Hing y cols. encontraron del uso de la quinina para calambres nocturnos: los ensayos publicados reportaron estimaciones de eficacia aproximadamente un 50% mayores que los documentos de la FDA (3). En otro caso, varias revisiones sistemรกticas de estudios publicados informaron que la agomelatina era un tratamiento eficaz para la depresiรณn, pero no se demostrรณ ningรบn efecto del tratamiento cuando se incluyeron siete estudios no publicados. Otros ejemplos de sesgo de publicaciรณn incluyen oseltamivir para la influenza en adultos, estatinas para la prevenciรณn de eventos tromboembรณlicos venosos y reboxetina para la depresiรณn (4).
Ademรกs, tambiรฉn es especialmente รบtil para identificar datos de seguridad y eventos adversos que en ocasiones quedan menos desarrollados en los artรญculos de revista y solo se encuentra en documentos no publicados o regulatorios (5).
Y por รบltimo, otra razรณn importante es que permite detectar estudios en curso o nunca publicados.
Motivo
Explicaciรณn
Reducir el sesgo de publicaciรณn
– Evitar o minimizar el sesgo de publicaciรณn; – Contrarrestar visiones incompletas de la evidencia (p. ej., salud cerebral, deterioro de la funciรณn renal); – Abordar el efecto cajรณn (file drawer effect), en el que los resultados negativos permanecen sin publicar.
Mejorar la exhaustividad
– Garantizar la recuperaciรณn de todos los estudios elegibles, incluidos los no publicados y no indexados; – Incrementar la generalizabilidad, la exhaustividad y el tamaรฑo muestral; – Integrar fuentes publicadas y no publicadas para construir una base de evidencia mรกs completa.
Acceso a estudios no publicados o en curso
– Identificar tesis doctorales, disertaciones, informes tรฉcnicos, informes gubernamentales y actas de congresos; – Localizar ensayos no publicados o en curso mediante registros; – Localizar investigaciรณn temprana o en desarrollo aรบn no publicada en revistas revisadas por pares.
Evidencia del mundo real y especรญfica del contexto
– Incluir evidencia procedente de la prรกctica clรญnica habitual (p. ej., efectividad vacunal postcomercializaciรณn, experiencias en fisioterapia, teletrabajo durante la COVID-19); – Incorporar perspectivas diversas mรกs allรก de los ensayos clรญnicos, incluyendo enfoques organizativos y gubernamentales; – Identificar marcos, modelos y lagunas en polรญticas nacionales (p. ej., entorno escolar canadiense, teorรญa del confort de Kolcaba).
Ampliaciรณn del alcance y mapeo conceptual
– Mapear de forma completa modelos conceptuales, marcos y estrategias; – Aportar complejidad situacional y diversidad de perspectivas (p. ej., revisiones de alcance con enfoque iterativo); – Captar definiciones y estrategias que no siempre son visibles en la literatura revisada por pares.
Modificada y traducida de: Khalil H., Johns-Hayden A., Kynoch K. Guidance to including grey literature in systematic reviews-recommendations from an epidemiological study. Journal of Clinical Epidemiology. 2026:112222, doi: 10.1016/j.jclinepi.2026.112222.
Cuรกndo puede ser especialmente relevante
En รกreas con fuerte presencia de la industria, como ensayos con fรกrmacos o dispositivos, porque los intereses comerciales pueden influir en quรฉ resultados llegan a publicarse y cuรกles no. Tambiรฉn en tecnologรญas sanitarias emergentes, donde la evidencia puede aparecer antes en informes tรฉcnicos, documentos de agencias o preprints que en revistas indexadas.
Resulta igualmente relevante en revisiones sobre polรญticas pรบblicas, programas o implementaciรณn, donde parte de la informaciรณn รบtil procede de organismos oficiales, instituciones o documentos tรฉcnicos. Y en temas con escasa literatura publicada, los resรบmenes de congresos, tesis y otras fuentes no convencionales pueden aportar estudios o datos que ayuden a completar el panorama.
Quรฉ fuentes conviene tener en cuenta
Entre las fuentes mรกs relevantes en salud destacan los registros de ensayos clรญnicos, como ClinicalTrials.gov o la plataforma de registros de la OMS, รบtiles para localizar estudios terminados no publicados y, a veces, resultados disponibles directamente en el registro.
Tambiรฉn son importantes las tesis y disertaciones, que pueden contener informaciรณn mรกs extensa que la finalmente publicada en artรญculos; los resรบmenes y actas de congresos, especialmente valiosos en รกreas muy dinรกmicas, aunque con limitaciones por la brevedad de la informaciรณn; los informes tรฉcnicos e institucionales, incluidas evaluaciones de tecnologรญas sanitarias y documentos regulatorios; y los repositorios de preprints, cada vez mรกs relevantes en determinadas รกreas. A esto se suman motores y directorios como Google Scholar, BASE, OpenDOAR, ROAR o recursos especializados de literatura gris, aunque con diferentes prestaciones, coberturas y limitaciones (6).
Tipos de fuentes de literatura gris รบtiles para revisiones sistemรกticas. (Nota: OpenGrey fue discontinuado en 2020 y hoy permanece como archivo).
Categorรญa
Recomendaciones
Fuentes principales a considerar siempre
– Google Scholar: amplia cobertura de literatura acadรฉmica y gris, pero requiere un cribado cuidadoso debido a su baja precisiรณn; – ProQuest: especialmente รบtil para tesis y disertaciones; – ClinicalTrials.gov: esencial para identificar datos de ensayos clรญnicos no publicados; – OpenGrey: especรญficamente dedicado a literatura gris (aunque actualmente archivado, sigue siendo รบtil a travรฉs de repositorios).
Fuentes complementarias segรบn el tema de la revisiรณn
– Los sitios web de organizaciones y la consulta a expertos son especialmente importantes en รกreas con fuerte componente de polรญticas o prรกctica (p. ej., salud pรบblica, educaciรณn, servicios sociales); – La bรบsqueda manual de actas de congresos, sitios web institucionales y materiales no indexados sigue siendo crucial cuando se espera que estas fuentes aporten evidencia relevante.
Bases de datos bibliogrรกficas especializadas
– Scopus, PsycINFO y Web of Science pueden recuperar fuentes โsemigrisesโ (por ejemplo, resรบmenes de congresos y actas) y deben considerarse cuando sean pertinentes para la revisiรณn.
Motores de bรบsqueda web generales
– Google (bรบsqueda general) puede recuperar documentos รบnicos de carรกcter institucional o local, pero no debe utilizarse como รบnica estrategia; – Se recomienda el uso de bรบsquedas estructuradas y el registro de URL y fechas para garantizar la reproducibilidad.
Recomendaciones para la selecciรณn de bases de datos para literatura gris. Modificada y traducida de: Khalil H., Johns-Hayden A., Kynoch K. Guidance to including grey literature in systematic reviews-recommendations from an epidemiological study. Journal of Clinical Epidemiology. 2026:112222, doi: 10.1016/j.jclinepi.2026.112222.
La evidencia disponible muestra que herramientas como Google Scholar son รบtiles para recuperar literatura gris, pero no deben utilizarse como รบnica fuente, ya que pueden omitir estudios relevantes y presentan limitaciones de precisiรณn y transparencia (7).
Dificultades metodolรณgicas de la bรบsqueda de literatura gris
Buscar literatura gris es posible y muchas veces necesario, pero rara vez es tan limpio, estandarizado o replicable como buscar en una base de datos bibliogrรกfica tradicional.
No existe un รบnico estรกndar de referencia y muchas de estas fuentes carecen de lenguaje controlado, interfaces potentes o posibilidades de exportaciรณn comparables a las de bases como MEDLINE o Embase. Esto obliga a trabajar mรกs con tรฉrminos en lenguaje natural, incrementa el ruido en la recuperaciรณn y dificulta tanto la reproducibilidad como la documentaciรณn. Ademรกs, muchos contenidos web cambian, desaparecen o se actualizan sin dejar rastro claro, lo que complica la trazabilidad. En algunos entornos, como Google Scholar, la falta de transparencia en el algoritmo de ordenaciรณn aรฑade una dificultad extra (7).
Errores frecuentes
Uno de los errores mรกs habituales es declarar de forma genรฉrica que se buscรณ โen Googleโ o โen literatura grisโ sin especificar quรฉ fuentes concretas se consultaron, con quรฉ estrategia, en quรฉ fecha y con quรฉ lรญmites. Otro error frecuente es asumir que la literatura gris tiene menor calidad por definiciรณn. Su calidad metodolรณgica debe valorarse con los mismos principios y, cuando proceda, con herramientas especรญficas que cualquier otro estudio o documento.
Tambiรฉn es problemรกtico no conservar evidencia documental de determinadas bรบsquedas o no registrar metadatos bรกsicos como la URL, la fecha de consulta o la estrategia utilizada. En fuentes inestables, esto puede dificultar comprobaciones posteriores.
Cรณmo plantear una bรบsqueda de literatura gris
La bรบsqueda de literatura gris debe planificarse desde el protocolo, no aรฑadirse al final como un gesto de exhaustividad formal. Conviene decidir desde el principio quรฉ tipos de fuentes son pertinentes para la pregunta de investigaciรณn, cuรกles son asumibles en tรฉrminos de tiempo y recursos y cรณmo se va a documentar el proceso.
Esto implica seleccionar de forma justificada las fuentes, adaptar la estrategia a cada interfaz, registrar fechas, URLs, tรฉrminos utilizados y lรญmites aplicados, y seguir marcos de transparencia como PRISMA-S (8). Tambiรฉn puede incluir el contacto con autores cuando se sospecha la existencia de estudios no publicados o informaciรณn complementaria relevante.
En motores como Google Scholar, ademรกs, es importante asumir desde el principio que la bรบsqueda tiene limitaciones tรฉcnicas y que el procedimiento debe quedar claramente descrito.
Conviene identificar y mantener claramente separados los datos procedentes de literatura gris y los de estudios publicados en revistas por razones de transparencia metodolรณgica. Esta distinciรณn permite saber quรฉ parte de la evidencia procede de circuitos editoriales convencionales y cuรกl se ha recuperado a travรฉs de registros, informes, tesis, resรบmenes de congresos u otras fuentes no comerciales, facilitando la trazabilidad del proceso y la interpretaciรณn de los resultados. Ademรกs, separar ambas procedencias hace posible realizar anรกlisis de sensibilidad y valorar hasta quรฉ punto la inclusiรณn de literatura gris modifica las estimaciones del efecto, los datos de seguridad o las conclusiones de la revisiรณn.
Conclusiรณn
La literatura gris no es un aรฑadido accesorio ni una garantรญa automรกtica de calidad. Es, sobre todo, una fuente potencialmente รบtil para mejorar la exhaustividad, reducir determinados sesgos y captar evidencia que no siempre circula por las vรญas editoriales habituales. Su bรบsqueda plantea dificultades y no siempre deberรก hacerse con la misma exhaustividad en todas las revisiones. Pero prescindir de ella sin una justificaciรณn razonada puede dejar fuera una parte relevante de la evidencia y debilitar la solidez de la sรญntesis final.
BIBLIOGRAFรA
Hopewell S, McDonald S, Clarke MJ, Egger M. Grey literature in meta-analyses of randomized trials of health care interventions. Cochrane Database Syst Rev. 2007;(2):MR000010.
McAuley L, Pham B, Tugwell P, Moher D. Does the inclusion of grey literature influence estimates of intervention effectiveness reported in meta-analyses? Lancet. 2000;356(9237):1228-31. doi:10.1016/S0140-6736(00)02786-0.
Man-Son-Hing M, Wells G, Lau A. Quinine for nocturnal leg cramps: a meta-analysis including unpublished data. J Gen Intern Med. 1998;13(9):600-6. doi: 10.1046/j.1525-1497.1998.00182.x.
Ziai H., Zhang R., Chan A-W., Persaud N. Search for unpublished data by systematic reviewers: an audit. BMJ Open. 2017;7(10):e017737, doi: 10.1136/bmjopen-2017-017737.
Golder S, Loke YK, Wright K, Norman G. Reporting of adverse events in published and unpublished studies of health care interventions: a systematic review. PLoS Med. 2016;13(9):e1002127. doi:10.1371/journal.pmed.1002127.
Khalil H, Johns-Hayden A, Kynoch K. Guidance to including grey literature in systematic reviews: recommendations from an epidemiological study. J Clin Epidemiol. 2026:112222, doi: 10.1016/j.jclinepi.2026.112222.
Haddaway NR, Collins AM, Coughlin D, Kirk S. The Role of Google Scholar in Evidence Reviews and Its Applicability to Grey Literature Searching. PLoS One. 2015;10(9):e0138237. doi: 10.1371/journal.pone.0138237.
Rethlefsen ML, Kirtley S, Waffenschmidt S, Ayala AP, Moher D, Page MJ, et al. PRISMA-S: an extension to the PRISMA Statement for Reporting Literature Searches in Systematic Reviews. J Med Libr Assoc. 2021;109(2):174-200.
Una de las preguntas que mรกs se repiten hoy entre autores no es si pueden usar inteligencia artificial, sino para quรฉ pueden usarla y cuando no deberรญan. La respuesta seria no cabe en un sรญ o en un no. No existe una autorizaciรณn general para โusar IAโ en un artรญculo. Lo que existe es un marco cada vez mรกs aceptado: autorรญa humana, responsabilidad humana, transparencia cuando el uso es sustantivo y restricciones claras en รกmbitos especialmente sensibles como imรกgenes, datos, confidencialidad y revisiรณn por pares.
El framework interactivo de Lluรญs Codina (https://www.perplexity.ai/apps/9d81f4a2-97e6-4854-9443-d259f4ff3a01) resulta รบtil precisamente porque ordena ese terreno, aunque el propio autor recuerda que es una herramienta orientativa y que la norma aplicable en cada caso sigue siendo la de la revista, la editorial, la instituciรณn o el programa acadรฉmico correspondiente.
Primera lรญnea roja: autorรญa, responsabilidad y declaraciรณn de uso
La IA no puede figurar como autora. No puede asumir responsabilidad por el trabajo, no puede responder por la integridad del contenido y no puede aprobar la versiรณn final del manuscrito. Esa responsabilidad sigue recayendo por completo en las personas firmantes. Dicho de otro modo: la IA puede ser una herramienta, pero no un sujeto autoral.
ยฟY cuรกl si es un uso aceptado sin declaraciรณn formal? La correcciรณn ortogrรกfica, gramatical o de estilo, siempre que no impliquen generaciรณn sustantiva de contenido y que el autor revise crรญticamente el resultado. En ese mismo espacio se sitรบan los gestores bibliogrรกficos y herramientas equivalentes de apoyo, que ayudan a organizar referencias pero no producen por sรญ mismas el contenido intelectual del artรญculo.
El problema empieza cuando la IA deja de pulir la forma y empieza a influir de manera sustantiva en el contenido. Si se utiliza para reescribir apartados completos, estructurar borradores, resumir literatura de forma sustantiva, identificar lagunas, formular objetivos o hipรณtesis, interpretar anรกlisis o intervenir de forma significativa en el proceso de investigaciรณn, el uso debe declararse con transparencia. Las recomendaciones europeas insisten en que, cuando la herramienta influye de manera significativa, debe explicarse quรฉ herramienta se ha usado, con quรฉ versiรณn, para quรฉ propรณsito y de quรฉ modo ha afectado al proceso. Algunas editoriales piden ademรกs una declaraciรณn especรญfica en el manuscrito; Elsevier, por ejemplo, la sitรบa antes de las referencias, mientras que en otros entornos esa informaciรณn puede ir en Mรฉtodos o en Agradecimientos.
Aquรญ conviene aclarar que declarar el uso de IA no convierte automรกticamente ese uso en admisible. Hay intervenciones que muchas polรญticas editoriales restringen o directamente no permiten aunque el autor las reconozca. Es el caso de la creaciรณn o alteraciรณn de imรกgenes y figuras con IA generativa, salvo excepciones muy concretas en las que la IA forma parte del propio mรฉtodo de investigaciรณn y el proceso puede describirse de manera reproducible. Tambiรฉn es una mala idea tratar la salida de un sistema generativo como si fuera texto original listo para integrarse sin mรกs en el manuscrito. La IA puede inspirar, sugerir o ayudar a reformular, pero no sustituye la aportaciรณn intelectual autรฉntica del autor.
Segunda lรญnea roja: integridad
Otra zona crรญtica es la integridad cientรญfica. Las directrices europeas son explรญcitas al seรฑalar que no debe utilizarse IA para falsificar, alterar o manipular datos originales. Ademรกs, recuerdan que estos sistemas pueden producir sesgos, alucinaciones e incluso referencias inventadas, por lo que la verificaciรณn humana no es opcional, sino obligatoria. En realidad, el principio rector es bastante simple: cuanto mรกs influye la herramienta en el contenido, mรกs alta debe ser la exigencia de comprobaciรณn crรญtica.
Tercera lรญnea roja: confidencialidad y propiedad intelectual
La confidencialidad y la propiedad intelectual merecen un apartado aparte. Subir a una herramienta externa un manuscrito inรฉdito, datos sensibles, imรกgenes no publicadas, prompts con informaciรณn protegida o materiales de terceros puede generar problemas serios de privacidad, reutilizaciรณn no autorizada y pรฉrdida de control sobre el contenido. Las recomendaciones europeas y varias editoriales insisten en revisar las condiciones de uso, comprobar si el contenido puede reutilizarse para entrenamiento y evitar la carga de materiales confidenciales en sistemas externos sin garantรญas adecuadas. Este punto es todavรญa mรกs estricto en revisiรณn por pares: tanto Springer Nature como Elsevier indican que los manuscritos sometidos a revisiรณn no deben cargarse en herramientas generativas pรบblicas por razones de confidencialidad, derechos de autor e integridad del proceso editorial.
Realizado por C. Campos Asensio con Google Gemini
Consejo prรกctico a los autores
Para un autor, una regla prรกctica รบtil serรญa esta. Si la herramienta solo mejora la expresiรณn y no altera el contenido intelectual, probablemente estรกs en una zona relativamente segura. Si contribuye de forma sustantiva a redactar, organizar, interpretar o decidir, debes declararlo. Y si afecta a datos, imรกgenes, material inรฉdito, confidencialidad o evaluaciรณn de trabajos ajenos, conviene detenerse y revisar con mucho cuidado la polรญtica de la revista antes de continuar. Es una cuestiรณn de integridad, trazabilidad y responsabilidad acadรฉmica.
Una fรณrmula razonable para muchos casos no es esconder el uso de IA ni convertirlo en un reclamo, sino describirlo con sobriedad cuando haya sido relevante: herramienta utilizada, finalidad concreta, grado de intervenciรณn y revisiรณn humana posterior. La buena prรกctica consiste en mantener al autor dentro del proceso, con pensamiento crรญtico, control de la versiรณn final y responsabilidad plena sobre cada afirmaciรณn, cada dato y cada referencia.
Bibliografรญa
Codina L. Cรณmo saber si un uso de la IA en trabajos acadรฉmicos es legรญtimo: framework interactivo [desarrollado con Perplexity] [Internet]. 2026 Feb 13 [citado 18 mar 2026]. Disponible en: lluiscodina.com.
Codina L. Uso รฉtico y eficiente de la inteligencia artificial en trabajos acadรฉmicos: Veritas e interacciรณn crรญtica escalonada. BiD. 2025;55. doi:10.1344/bid2025.55.01. Disponible en: https://www.raco.cat/index.php/BiD/article/view/980000003803.
Bhavsar D, Duffy L, Jo H, Lokker C, Haynes R, Iorio A, et al. Policies on artificial intelligence chatbots among academic publishers: a cross-sectional audit. Res Integr Peer Rev. 2025;10:1. doi:10.1186/s41073-025-00158-y. Disponible en: https://link.springer.com/article/10.1186/s41073-025-00158-y
Los estรกndares metodolรณgicos coinciden en una idea central: la bรบsqueda debe ser sistemรกtica, planificada y lo mรกs amplia posible para reducir sesgos (especialmente sesgo de publicaciรณn y de reporte) y capturar la mayor parte de la evidencia relevante (1). A diferencia de una revisiรณn tradicional donde un autor puede elegir artรญculos de su preferencia (ยซhandpickingยป), una bรบsqueda exhaustiva busca identificar toda la evidencia disponible que responda a una pregunta de investigaciรณn especรญfica para evitar el sesgo de selecciรณn. En una anterior entrada ya hemos analizado cรณmo podemos saber si nuestra bรบsqueda es exhaustiva. Ahora veamos lo que realmente significa โexhaustividadโ (comprehensiveness).
Exhaustividad no equivale a โhacer una bรบsqueda largaโ ni a โmeter muchas palabrasโ. Es diseรฑar un proceso que aspire a identificar el conjunto mรกs completo y no sesgado posible de estudios pertinentes para una pregunta predefinida. En el Manual Cochrane (1) lo expresa de forma directa: la bรบsqueda debe ser tan extensa como sea posible para reducir el riesgo de sesgo de reporte/publicaciรณn e identificar la mayor cantidad de evidencia relevante.
ยฟSignifica esto que hay que usar absolutamente todos los mรฉtodos imaginables?, no, es decidir (y justificar) cรณmo lograr un conjunto de evidencia completo y no sesgado con los recursos disponibles.
3 pilares de la exhaustividad: cobertura, sensibilidad y trazabilidad
Si una bรบsqueda no es exhaustiva y documentada en detalle, la evidencia resultante no se considera vรกlida ni fiable para la toma de decisiones clรญnicas. Es, de hecho, el factor principal que distingue a una revisiรณn sistemรกtica de cualquier otro tipo de revisiรณn bibliogrรกfica.
Analicemos los tres pilares de la exhaustividad:
1. Cobertura: no hay exhaustividad con una sola fuente
Una revisiรณn que busca โtoda la evidenciaโ pero consulta una รบnica base (p. ej., solo PubMed) es vulnerable por definiciรณn: indexaciรณn incompleta, diferencias en tesauros, retrasos de indizaciรณn, sesgos geogrรกficos/idiomรกticos, etc. La evidencia empรญrica lo respalda: en un estudio sobre revisiones Cochrane, buscar en โฅ2 bases de datos aumentรณ cobertura/recall y redujo el riesgo de perder estudios elegibles; y cuando se sospecha que los artรญculos son difรญciles de localizar, deben aรฑadirse mรฉtodos suplementarios (2).
Y, desde la perspectiva de combinaciones โรณptimasโ, Bramer et al. observaron que varias referencias incluidas solo aparecen en una base de datos y propusieron como combinaciรณn mรญnima eficiente (dependiente del tema) incluir, al menos, Embase, MEDLINE, Web of Science y Google Scholar para maximizar recall (3).
Bien es verdad que no existe un nรบmero universal de bases de datos. Lo que exigen los estรกndares es justificar por quรฉ esas fuentes son las adecuadas para tu pregunta y tu campo. Cochrane (1), por ejemplo, establece como mรญnimo para sus revisiones la consulta de CENTRAL, MEDLINE y Embase, ademรกs de fuentes especializadas segรบn el tema.
2. Sensibilidad: maximizar recall sin perder el control
La bรบsqueda exhaustiva prioriza sensibilidad (recall) frente a precisiรณn (precision), aceptando que habrรก ruido. El Manual Cochrane (1) lo formula explรญcitamente: hay que maximizar sensibilidad procurando una precisiรณn razonable; aumentar sensibilidad suele bajar precisiรณn y recuperar mรกs irrelevantes. En este punto hay que afirmar que ruido no significa mala bรบsqueda; puede significar que se ha protegido la revisiรณn contra la omisiรณn de estudios relevantes.
3. Trazabilidad: exhaustividad sin documentaciรณn no existe
Una bรบsqueda โmuy buenaโ pero no reproducible es metodolรณgicamente dรฉbil. PRISMA 2020 (4) exige describir todas las fuentes consultadas (bases, registros, webs, listas de referencias, etc.) y la fecha de รบltima consulta. Ademรกs, pide presentar las estrategias completas (lรญnea a lรญnea) para todas las bases/registros/webs, con lรญmites y filtros, para permitir evaluaciรณn de la exhaustividad, replicaciรณn y actualizaciรณn.
PRISMA-S (2021) va un paso mรกs allรก con una lista especรญfica (16 รญtems) para reportar bรบsquedas de forma completa y reproducible (5).
ยฟCuรกles son los componentes de una bรบsqueda exhaustiva?
A. Mรบltiples bases y fuentes
Una bรบsqueda exhaustiva combina:
Bases bibliogrรกficas generales y especializadas (segรบn tema). Se recomienda realizar bรบsquedas en un rango de 3 a 5 bases de datos bibliogrรกficas acadรฉmicas relevantes para el รกrea de estudio (por ejemplo, MEDLINE, EMBASE, CINAHL o Scopus).
Registros de ensayos y repositorios de resultados cuando aplica (p. ej., ClinicalTrials.gov, ICTRP).
Literatura gris. Incluye investigaciones que no han sido publicadas en revistas comerciales tradicionales (como tesis, informes tรฉcnicos o actas de conferencias). Omitir la literatura gris puede introducir un sesgo significativo, ya que a menudo los estudios con resultados negativos o neutrales no llegan a publicarse en revistas de alto impacto (sesgo de reporte).
Bรบsqueda web (agencias reguladoras, organizaciones, etc.).
B. Vocabulario controlado + texto libre (y traducciรณn entre plataformas)
Hay que usar tanto texto libre como encabezamientos (MeSH, Emtree, etc.) y personalizar y adaptar las estrategias por cada base. Ademรกs, recuerda que MeSHโ Emtree, la indizaciรณn difiere y para ser lo mรกs exhaustivo posible hay que incorporar un rango amplio de sinรณnimos, variantes ortogrรกficas, truncamientos y operadores de proximidad.
Siempre recordando que โtraducir la estrategiaโno es copiar/pegar; es conservar el concepto y adaptar la sintaxis y el comportamiento del buscador (campos, explosiรณn, proximidad, stopwords, mapeo automรกtico).
C. Tรฉcnicas adicionales
La propia lรณgica metodolรณgica es simple: ninguna base indexa โtodoโ y la evidencia muestra que mรฉtodos suplementarios pueden aรฑadir estudios que el searching en bases no recupera. Para cerrar el cรญrculo de la exhaustividad, se deben emplear mรฉtodos como la ยซbรบsqueda manualยป (handsearching) y el ยซencadenamiento de citasยป (citation chaining), que consiste en revisar las referencias de los artรญculos encontrados para localizar estudios adicionales que las bases de datos pudieron omitir.
D. Control de calidad: revisiรณn por pares de la estrategia (PRESS)
El estรกndar PRESS (6) formaliza la revisiรณn por pares de estrategias electrรณnicas y define elementos tรญpicos donde aparecen errores (operadores booleanos/proximidad, encabezamientos, texto libre, lรญmites/filtros, sintaxis, etc.). PRISMA 2020 incluso sugiere reportar si hubo peer review y quรฉ herramienta se utilizรณ (p. ej., PRESS).
Errores frecuentes que โrompenโ la exhaustividad
Una sola base (o varias, pero sin complementariedad).
No combinar tesauro + texto libre, o no adaptar la estrategia a cada base.
Lรญmites no justificados (idioma/fecha/tipo de documento) aplicados en la bรบsqueda, no como criterio de selecciรณn. PRISMA pide que los lรญmites se reporten y se justifiquen en relaciรณn con criterios de elegibilidad.
Omitir literatura gris/registros cuando el riesgo de sesgo de publicaciรณn es material.
No informar de las estrategias completas (solo โbuscamos en PubMed y Embaseโ): impide evaluar calidad, reproducir y actualizar.
BIBLIOGRAFรA
Lefebvre C, Glanville J, Briscoe S, Featherstone R, Littlewood A, Metzendorf M-I, Noel-Storr A, Paynter R, Rader T, Thomas J, Wieland LS. Chapter 4: Searching for and selecting studies [last updated March 2025]. En: Higgins JP, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, et al, editor(s). Cochrane Handbook for Systematic Reviews of Interventions version 6.5.1 Cochrane, 2025.Disponible en: cochrane.org/handbook.
Ewald H., Klerings I., Wagner G., Heise TL., Stratil JM., Lhachimi SK., et al. Searching two or more databases decreased the risk of missing relevant studies: a metaresearch study. Journal of Clinical Epidemiology. 2022;149:154-64, doi: 10.1016/j.jclinepi.2022.05.022.
Bramer WM, Rethlefsen ML, Kleijnen J, Franco OH. Optimal database combinations for literature searches in systematic reviews: a prospective exploratory study. Syst Rev. 2017 Dec 6;6(1):245. doi: 10.1186/s13643-017-0644-y.
Page MJ, Moher D, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, Shamseer L, Tetzlaff JM, Akl EA, Brennan SE, Chou R, Glanville J, Grimshaw JM, Hrรณbjartsson A, Lalu MM, Li T, Loder EW, Mayo-Wilson E, McDonald S, McGuinness LA, Stewart LA, Thomas J, Tricco AC, Welch VA, Whiting P, McKenzie JE. PRISMA 2020 explanation and elaboration: updated guidance and exemplars for reporting systematic reviews. BMJ. 2021 Mar 29;372:n160. doi: 10.1136/bmj.n160.
Rethlefsen ML, Kirtley S, Waffenschmidt S, Ayala AP, Moher D, Page MJ, Koffel JB; PRISMA-S Group. PRISMA-S: an extension to the PRISMA Statement for Reporting Literature Searches in Systematic Reviews. Syst Rev. 2021 Jan 26;10(1):39. doi: 10.1186/s13643-020-01542-z.
McGowan J, Sampson M, Salzwedel DM, Cogo E, Foerster V, Lefebvre C. PRESS Peer Review of Electronic Search Strategies: 2015 Guideline Statement. J Clin Epidemiol. 2016 Jul;75:40-6. doi: 10.1016/j.jclinepi.2016.01.021.
Dos artรญculos publicadas en JAMA (Research Letters) aportan datos observacionales reales procedentes de los propios sistemas de envรญo de manuscritos, donde las revistas empezaron a preguntar de forma obligatoria por el uso de IA. El resultado es que la IA se estรก utilizando, pero se declara en una minorรญa de envรญos. Y, cuando se declara, la mayorรญa de usos tiene que ver con la escritura y ediciรณn del texto.
Perlis y cols. describen los resultados de un estudio transversal de todos los manuscritos enviados a 13 revistas de la red JAMA entre el 29 de agosto de 2023 (despuรฉs de que se agregaron preguntas sobre el uso de la IA al proceso de envรญo) y el 31 de octubre de 2025.3 Entre 105,538 manuscritos enviados durante los 27 meses del estudio, 3,459 (3.3%) declararon el uso de IA. Pero el dato importante es la tendencia a lo largo del periodo estudiado (27 meses): aumentรณ significativamente durante este perรญodo, del 1.71% (IC del 95%, 1.27%-2.15%) al 5.97% (IC del 95%, 5.28%-6.66%).
El estudio de AlFayyad y cols. describe el uso reportado de IA entre los artรญculos de investigaciรณn enviados a revistas de BMJ. Los autores realizaron un estudio transversal de todos los manuscritos de investigaciรณn (incluidas revisiones sistemรกticas y metanรกlisis) enviados entre el 8 de abril y el 6 de noviembre de 2024 a 49 revistas de BMJ. Entre 25.114 presentaciones elegibles, 1.431 (5,7%) informaron sobre el uso de IA. Tambiรฉn aquรญ se observa incremento dentro del periodo: de 4,5% (abril 2024) a 7,3% (octubre 2024).
Estos trabajos son una โfotoโ รบtil del fenรณmeno: estas cifras son declaraciones, no โuso realโ (probablemente hay infradeclaraciรณn) por omisiรณn deliberada o por incertidumbre sobre quรฉ debe declararse, y el uso crece.
La mayorรญa de los autores utilizaron IA para mejorar la escritura y refinar el lenguaje. El artรญculo realizado en las revistas JAMA indica que el motivo mรกs frecuente es correcciรณn o refinamiento del lenguaje (67,7%); seguido del desarrollo de modelos estadรญsticos (7,3%), otros anรกlisis (6,3%), borrador/redacciรณn (5,5%) y bรบsqueda/evaluaciรณn de literatura (4,3%). El 87,2% de quienes declararon IA en las revistas del grupo BMJ dijeron usarla para mejorar la calidad de la escritura.
Podemos concluir que la IA se estรก usando sobre todo como โasistente de escrituraโ, para escribir โbienโ y rรกpido, especialmente en entornos donde el inglรฉs no es lengua oficial. Y aunque los manuscritos con autor de correspondencia de un paรญs sin inglรฉs como idioma oficial tuvieron mรกs probabilidad de declarar IA (OR 1,30) (Perlis RH) tambiรฉn puede influir que de autores con afiliaciรณn de Europa (OR 1,28 frente a Asia) y de Sudamรฉrica (OR 1,75 frente a Asia) declaran mรกs (AlFayyad I).
Es probable que la creciente disponibilidad de herramientas de IA generativa lleve a mรกs investigadores a usar IA para tareas mรกs avanzadas que generalmente se consideran aspectos clave del proceso cientรญfico impulsados โโpor el intelecto, como resumir la literatura existente, analizar datos y redactar manuscritos.
Lo mรกs relevante de estos trabajos no es el porcentaje exacto de hoy, sino la tendencia y su mensaje: la declaraciรณn sube y la IA se moverรก (probablemente) desde tareas de escritura hacia tareas mรกs avanzadas que generalmente se consideran aspectos clave del proceso cientรญfico impulsados โโpor el intelecto, como resumir la literatura existente, analizar datos y redactar manuscritos. Eso obliga a una cultura cientรญfica donde la transparencia sea un estรกndar.
BIBLIOGRAFรA
Perlis RH., Flanagin A., Kendall-Taylor J., Berkwits M., Bibbins-Domingo K. Author Disclosure of Use of AI in Submissions to 13 JAMA Network Journals. JAMA. 2026;335(8):717, doi: 10.1001/jama.2025.25300.
AlFayyad I., Zeegers MP., Bouter L., Macdonald H., Schroter S. Self-Disclosed Use of AI in Research Submissions to BMJ Journals. JAMA. 2026;335(8):719, doi: 10.1001/jama.2025.25688.
Malani PN., Ross JS. AI Use in Research and the Need for Continued Guidance. s. f., doi: 10.1001/jama.2025.26845.
En revisiones sistemรกticas, trasladar la estrategia al resto de bases de datos es uno de los pasos mรกs exigentes porque exige conocimiento experto de bases, plataformas y sintaxis. No es un trรกmite: forma parte del mรฉtodo y condiciona la sensibilidad y la reproducibilidad del proceso.
Dado que la bรบsqueda para revisiones sistemรกticas debe ser sensible y no existe una รบnica fuente que recoja de forma exhaustiva todo lo publicado, es necesario buscar en un nรบmero suficiente de bases de datos, seleccionadas segรบn el objetivo (sensibilidad vs precisiรณn), la cobertura temรกtica y el tipo de evidencia. Cada base se interroga de manera distinta y devuelve conjuntos de documentos parcialmente diferentes. Ademรกs, aunque las plataformas permiten combinar texto libre, bรบsqueda por campos, tesauro y lรญmites, cada una implementa estas funcionalidades con su propia โgramรกticaโ de bรบsqueda.
El problema real: al traducir entre bases tambiรฉn traducimos reglas
Cuando pasamos una estrategia de PubMed/MEDLINE a Embase (y a otras bases), los fallos suelen agruparse en tres categorรญas:
No adaptaciรณn de la estrategia. Copiar/pegar โtal cualโ sin ajustar a la plataforma puede cambiar la recuperaciรณn (a veces sin que sea evidente): campos incorrectos, parรฉntesis interpretados de otra forma, comillas, lรญmites no equivalentes o funciones que existen en una base y no en otra.
Diferencias en el lenguaje de bรบsqueda. Etiquetas de campo, comodines, gestiรณn de frases y (muy especialmente) operadores de proximidad.
Errores en encabezamientos de materia. Cada base tiene su propio tesauro (MeSH, Emtree, CINAHL Headings, Thesaurus APAโฆ), y no hay equivalencias 1:1 garantizadas.
Dรณnde encaja Polyglot y quรฉ aporta de verdad
Polyglot Search Translator (TERA Tools) estรก diseรฑado para traducir cadenas de bรบsqueda entre bases y plataformas, ahorrando trabajo repetitivo y reduciendo errores de tecleo, sin sustituir el criterio experto. Un ensayo aleatorizado observรณ que traducir con Polyglot fue, en promedio, mรกs rรกpido (31 vs 45 minutos) y con menos errores (8,6 vs 14,6) que la traducciรณn manual, aunque sigue siendo imprescindible revisiรณn humana (Clark JM, 2020)
Su valor es claro: un traductor de sintaxis que agilizael traslado entre plataformas, pero que funciona de verdad cuando se usa como lo que es: una semi-automatizaciรณn con supervisiรณn experta. Polyglot traduce cadenas desde PubMed u Ovid MEDLINE a mรบltiples plataformas para que tรบ te concentres en lo que no se puede automatizar como el tesauro o la proximidad.
Cรณmo usar Polyglot
Aquรญ te dejo las instrucciones de cรณmo serรญa el flujo de trabajo si queremos trasladar una estrategia que hemos hecho en PubMed a Embase:
1) Desarrolla y depura tu estrategia โbaseโ.
Crea la estrategia en bloques conceptuales claros, con parรฉntesis cerrados y consistencia en campos y truncamientos.
En TERA, Polyglot ofrece un cuadro โYour queryโ donde pegar la cadena. Es recomendable marcar la casilla โReplace line referencesโ (para que resuelva referencias del tipo #1, #2, etc.) y aรฑadir una lรญnea en blanco en la cadena para mejorar el procesamiento en algunos casos.
3) Elegir la salida correcta para Embase (Embase.com vs Ovid Embase)
Polyglot suele ofrecer traducciones diferenciadas para bases de datos y plataformas, en nuestro casa disponemos de las opciones de Embase.com (Elsevier) y Ovid Embase. Piensa que no son equivalentes: cambian campos, operadores y convenciones.
4) Verificaciรณn del vocabulario controlado (Emtree)
Este es el paso crรญtico:
Identifica los tรฉrminos que en PubMed estaban como MeSH (p. ej., [Mesh] / explosiones) y valida su equivalente en Emtree.
Sustituye manualmente cuando no haya correspondencia directa o el tรฉrmino preferido difiera.
Polyglot te ahorra reescritura de sintaxis, pero no puede asumir equivalencias terminolรณgicas sin supervisiรณn.
5) Operadores de proximidad.
Aunque PubMed incorporรณ proximidad en 2022, con la sintaxis ยซtรฉrminosยป[Title:~N] o ยซtรฉrminosยป[Title/Abstract:~N], limitada a determinados campos, no puede considerarse una proximidad equivalente a la proximidad de otras plataformas (NEAR/NEXT o ADJ). Mรกs bien es una ayuda para la bรบsqueda por frases.
Por eso, cuando trasladas desde PubMed, la traducciรณn โliteralโ tal cual es proporcionada por Polyglot no aprovecha el potencial de la bรบsqueda por adyacencia de otras plataformas. Cuando migras desde PubMed a Embase, debes decidir (concepto a concepto) si las transformas en proximidad (mรกs sensibilidad, riesgo de introducir ruido si el โnโ es amplio) o mantienes la bรบsqueda por frases exactas (mรกs precisiรณn, riesgo de perder variantes).
No hay respuesta universal: depende del concepto, del objetivo de la bรบsqueda y del equilibrio sensibilidad/precisiรณn. La รบnica forma de hacerlo es probar, comparar y documentar el ajuste.
6) Ejecutar y comprobar
Antes de dar la traducciรณn por vรกlida revisa truncamientos, comillas y campos; ejecuta y comprueba si recuperas artรญculos semilla y si los recuentos son plausibles. Si un artรญculo relevante aparece en una base y no en otra, la pregunta รบtil no es โยฟpor quรฉ no estรก?โ, sino quรฉ parte de la traducciรณn no lo capturรณ: campos, fraseo, proximidad, tesauro o lรญmites.
BIBLIOGRAFรA
Clark JM, Sanders S, Carter M, Honeyman D, Cleo G, Auld Y, Booth D, Condron P, Dalais C, Bateup S, Linthwaite B, May N, Munn J, Ramsay L, Rickett K, Rutter C, Smith A, Sondergeld P, Wallin M, Jones M, Beller E. Improving the translation of search strategies using the Polyglot Search Translator: a randomized controlled trial. J Med Libr Assoc. 2020 Apr;108(2):195-207. doi: 10.5195/jmla.2020.834.
Imagina esto: despuรฉs de meses de analizar y organizar datos, ya tienes lista tu revisiรณn sistemรกtica para enviarla. Pero, justo dรญas antes de enviarla, te topas por casualidad con tres artรญculos clave que tu estrategia de bรบsqueda ni siquiera considerรณ y que cambian todo lo que pensabas. Es el miedo mรกs grande de cualquier bibliotecario: no saber si realmente has encontrado todo lo que hay.
Y es que cuando trabajamos en sรญntesis de evidencia, la ยซintuiciรณnยป del experto o la simple acumulaciรณn de aรฑos de experiencia no son salvaguardas suficientes. Y por eso es tan necesario la validaciรณn de la sensibilidad de la bรบsqueda de evidencia que transforma una recopilaciรณn bibliogrรกfica convencional en un proceso cientรญfico reproducible y defendible ante cualquier auditorรญa metodolรณgica.
Este interesante artรญculo de Lagisz et al, recientemente publicado, nos da unas pautas de actuaciรณn para evaluar la sensibilidad de las estrategias de bรบsqueda. Analicemos este artรญculo y su propuesta.
ยซRecall absolutoยป y ยซrecall relativoยป
En revisiones sistemรกticas se prioriza tรญpicamente ยซalto ยซrecallยป (minimizar pรฉrdida de estudios relevantes), aceptando un descenso de precisiรณn que luego se gestiona con cribado. En el รกmbito de la recuperaciรณn de informaciรณn, es teรณricamente imposible garantizar un ยซrecall absolutoยป. Esto se debe a que el universo total de la literatura existente es, por definiciรณn, desconocido; no podemos medir lo que no sabemos que existe. Para resolver esta incertidumbre, debemos adoptar el concepto pragmรกtico de ยซrecall relativoยซ (o sensibilidad).
Cรกlculo del recall absoluto. Recall (en espaรฑol, exhaustividad o sensibilidad) es la proporciรณn de documentos relevantes que un sistema consigue recuperar del total de documentos relevantes que existen en la colecciรณn para una necesidad de informaciรณn dada.
Bajo este enfoque, evaluamos nuestra estrategia frente a una muestra representativa y conocida de estudios. Esto nos permite sustituir la subjetividad por una mรฉtrica objetiva de rendimiento, optimizando el balance entre la exhaustividad y la manejabilidad de los resultados.
El corazรณn del proceso es el set de referencia o artรญculos ยซsemillaยซ. Un error metodolรณgico crรญtico es el sesgo circular: diseรฑar la estrategia de bรบsqueda y luego seleccionar para el set de validaciรณn artรญculos que esa misma cadena ya encontrรณ. Esto no es mรกs que un sesgo de Confirmaciรณn que ยซengaรฑaยป al cรกlculo con artรญculos homogรฉneos, invalidando la prueba de estrรฉs de la estrategia.
Para que este set actรบe como un verdadero ยซestรกndar de oroยป, debe ser externo y recolectado mediante mejores prรกcticas:
โข Recolecciรณn Temprana: El set debe reunirse estrictamente antes de diseรฑar la estrategia de bรบsqueda definitiva.
โข Fuentes Diversas: Debe incluir revisiones sistemรกticas previas, rastreo de citas (backward/forward tracking), etc.
โข Revisiรณn por Expertos: Consulta con especialistas en el รกrea temรกtica para garantizar la representatividad de autores y aรฑos.
โข Heterogeneidad: Debe reflejar la variedad de terminologรญa y tรฉrminos controlados del tema para evitar la homogeneidad simplista.
6 Etapas del flujo de trabajo del bibliotecario
Para validar nuestra bรบsqueda, Lagisz et al., nos sugieren seguir este flujo de trabajo secuencial:
Recolecciรณn del set de evaluaciรณn comparativa (ยซbenchmarkingยป): Define el alcance y reรบne los estudios que sean รบtiles que encuentres, ya sea hablando con expertos o buscando en otras fuentes.
Bรบsqueda de identificadores: Localiza los DOI de cada estudio y combรญnalos con el operador OR para crear una ยซcadena de benchmarkingยป compacta. Si un estudio no aparece por DOI, debe buscarse por tรญtulo o autor para verificar si la ausencia es real.
Personalizaciรณn del set: Verifica cuรกles estudios estรกn indexados en la base de datos actual. Debemos eliminar los estudios no indexados del cรกlculo para no penalizar injustamente el puntaje de sensibilidad (unfairly lowering the sensitivity score).
Ejecuciรณn de la bรบsqueda objetivo: Aplica tรบ estrategia de bรบsqueda completa (MeSH, Emtree, palabras clave y lรณgica booleana) y registra el nรบmero total de resultados (hits).
Prueba de solapamiento: Cruza ambas cadenas mediante el operador AND en un bloque lรณgico simple: [Cadena de Bรบsqueda Objetivo] AND [Cadena del set de evaluaciรณn comparativa].
Cรกlculo de sensibilidad: Aplica la fรณrmula para obtener el ยซrecall relativoยป y determina si el resultado inicia un ciclo de mejora.
Cรกlculo e Interpretaciรณn
En una revisiรณn sistemรกtica, buscamos una sensibilidad alta, pero esto suele aumentar el ยซruidoยป (resultados irrelevantes). No existe un umbral universal del 100% por lo que el equipo de revisiรณn debe decidir cuรกndo la bรบsqueda es ยซsuficientemente buenaยป.
Fรณrmula de sensibilidad (recall):
Sensibilidad = (Estudios del set encontrados) / (Total de estudios del set indexados en la base de datos)
Ejemplo prรกctico: Si su set de referencia consta de 5 artรญculos indexados en Scopus y su cadena objetivo captura 4 de ellos:
Cรกlculo: 4 / 5 = 0.8
Resultado: 80% de sensibilidad.
Interpretaciรณn: El 20% de la literatura clave es ยซinvisibleยซ para su bรบsqueda actual, lo que exige una justificaciรณn tรฉcnica de si ese nivel de riesgo es aceptable o requiere refinamiento.
ยฟQuรฉ pasa si la sensibilidad es baja?
Si este es nuestro caso, debemos realizar un anรกlisis diagnรณstico de los estudios ยซno capturadosยป siguiendo esta lista de tareaspara el Refinamiento:
Aislar omisiones: Ejecutar Cadena de Benchmarking NOT Cadena de Bรบsqueda Objetivo para visualizar exclusivamente los artรญculos que su estrategia ignorรณ.
Anรกlisis de registros: Examinar los campos de tรญtulo, resumen y tรฉrminos controlados (encabezamientos de materia) de los estudios perdidos.
Ajuste de lรณgica: Incorporar sinรณnimos detectados o flexibilice los operadores de proximidad y truncamiento.
Justificaciรณn Tรฉcnica: Documentar la justificaciรณn razonada detrรกs de cada tรฉrmino aรฑadido para mantener la trazabilidad.
Revalidaciรณn: Repetir el cรกlculo de sensibilidad hasta alcanzar el equilibrio deseado por el equipo de revisiรณn. Este refinamiento garantiza que la bรบsqueda final sea un reflejo fiel del estado del arte, cumpliendo con los estรกndares de transparencia internacional.
Bibliografรญa
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.
La ciencia ยซzombiยป que amenaza la prรกctica clรญnica
Ya hablamos de ยซrevisiones zombiesยป en BiblioGetafe, es decir, aquellas cuyos registros de protocolo estรกn abandonados. Ahora hablamos de otros tipos de muertos vivientes: ยซlos artรญculos zombiยป que amenazan la prรกctica clรญnica.
La ciencia tiene un mecanismo de autocorrecciรณn que es necesario pero no perfecto: la retractaciรณn. Cuando se detecta un error grande, una mala prรกctica o un fraude en un artรญculo publicado, la revista emite una retractaciรณn y el trabajo queda oficialmente โretiradoโ. Sin embargo, muchos de estos artรญculos siguen circulando. Continรบan siendo citados y aparecen en bรบsquedas, como si nada hubiera pasado. Es como una ciencia zombi: informaciรณn que deberรญa estar fuera de circulaciรณn, pero que sigue influyendo en el debate cientรญfico.
Estudios retractados que se cuelan en revisiones sistemรกticas.
El problema se agrava cuando estos estudios se incluyen en revisiones sistemรกticas y guรญas de prรกctica clรญnica. Si un estudio retirado se incluye en una revisiรณn, puede contaminar las estimaciones de efecto, alterar las conclusiones y, en รบltima instancia, distorsionar las recomendaciones clรญnicas y las decisiones de polรญtica sanitaria.
Poniendo cifras al problema
Un estudio publicado en JAMA Internal Medicine titulado โInclusion of Retracted Studies in Systematic Reviews and Meta-Analyses of Interventionsโ y liderado por Graรฑa Possamai C. (1) analizรณ hasta quรฉ punto los estudios retractados consiguen infiltrarse en revisiones sistemรกticas y metaanรกlisis, y quรฉ ocurre cuando se eliminan de los cรกlculos. El equipo partiรณ de un enfoque pragmรกtico: utilizรณ una herramienta online para localizar revisiones sistemรกticas publicadas en 25 de las revistas mรฉdicas de mayor impacto que citaban una o mรกs โreferencias problemรกticasโ. Despuรฉs, verificaron manualmente cuรกles de esas referencias eran retractaciones y repitieron los metaanรกlisis excluyendo los estudios retractados para observar cambios en estimaciones de efecto y en la interpretaciรณn de los resultados.
Los hallazgos son difรญciles de ignorar:
En total, se identificaron 61 revisiones sistemรกticas con metaanรกlisis que habรญan incluido al menos un estudio retractado; de ellas, solo 11 fueron posteriormente republicadas, retractadas o retiradas, quedando 50 para el anรกlisis principal.
Esas 50 revisiones sistemรกticas incluรญan 62 estudios retractados (58 de ellos llegaron a entrar en al menos un metaanรกlisis).
La causa predominante de retractaciรณn estuvo relacionada con problemas de datos / integridad de los datos.
En 13 revisiones, el estudio problemรกtico ya estaba retractado antes de que la propia revisiรณn se publicara: una seรฑal clara de fallo en la verificaciรณn de los estudios durante la bรบsqueda y selecciรณn.
En conjunto, dentro de esas 50 revisiones, 173 metaanรกlisis incorporaban al menos un estudio retractado.
ยฟLa inclusiรณn de estos estudios retractados altera realmente las conclusiones de la evidencia?
La pregunta clave es si la inclusiรณn 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 metaanรกlisis excluyendo los artรญculos retractados, la significaciรณn estadรญstica cambiรณ en 18 metaanรกlisis: 15 pasaron de โsignificativoโ a โno significativoโ, pero 3 cambiaron en sentido contrario (de โnoโ a โsรญโ). Este tipo de giro, sobre todo cuando se pierde significaciรณn, puede tener consecuencias directas en cรณmo se interpreta la utilidad de una intervenciรณn.
Ahora bien, el editorial que acompaรฑa al artรญculo apunta algo aรบn mรกs interesante: el problema no es solo โsi funcionaโ, sino cuรกnto parece funcionar. En los 64 metaanรกlisis que evaluaban resultados primarios, la presencia de estudios retractados modificรณ la magnitud del efecto de forma nada despreciable: โฅ10% en 27 (42%), โฅ30% en 16 (25%) y โฅ50% en 12 (19%).
No es un problema marginal: se identificaron 50 revisiones que incluรญan 62 estudios retractados, con 173 metaanรกlisis afectados. No solo cambia el โsรญ/noโ: al excluir retractados, la significaciรณn estadรญstica cambiรณ en 18 metaanรกlisis (en 15 se perdiรณ la significaciรณn).
Y hay un detalle con implicaciones clรญnicas: esas variaciones en la magnitud del efecto a menudo se desplazaban a favor de la intervenciรณn, es decir, podรญan inflar artificialmente su aparente eficacia.
Si algo deja este anรกlisis es una idea incรณmoda pero รบtil: un estudio retractado no siempre โrompeโ la conclusiรณn, pero puede empujarla lo suficiente como para cambiar la percepciรณn del beneficioโฆ y con ello, la decisiรณn.
Soluciรณn compartida y cรณmo detectarlo
La soluciรณn no recae sobre un รบnico actor: es una responsabilidad compartida, todos los agentes implicados tienen un papel que desempeรฑar para reducir el impacto de la evidencia retractada en la sรญntesis.
Los autores de revisiones deben de verificar โestatus de retractaciรณnโ. Esto no es siempre fรกcil dado que el estado de retractaciรณn no siempre es evidente en las bases de datos bibliogrรกficas.
Aquรญ es donde tiene sentido apoyarse en recursos externos y de vigilancia (2), por ejemplo: Retraction Watch Database (https://retractionwatch.com/), Problematic Paper Screener especรญficamente su detector ยซFeet of Clayยป (https://dbrech.irit.fr/pls/apex/f?p=9999%3A31) y la revisiรณn post-publicaciรณn en PubPeer (https://pubpeer.com). Otra posibilidad es aprovechar las funciones de notificaciรณn de retractaciones integradas en herramientas como Zotero o EndNote, que se alimentan de la base de datos de Retraction Watch.
Es igualmente recomendable que los autores realicen una nueva evaluaciรณn de los estudios incluidos justo antes de la publicaciรณn definitiva de la revisiรณn para detectar cambios de estatus recientes.
Otras posibilidades serรญa que los autores creasen alertas automรกticas en las bases de datos que les notificaran de aquellos artรญculos que han citado cuando este es retractado.
Las guรญas metodolรณgicas de sรญntesis de evidencia deben recomendar formalmente la โdetecciรณn de retractacionesโ con estrategias especรญficas; asรญ se podrรญa incluir en las listas de verificaciรณn PRISMA (3). A nivel de postpublicaciรณn, si un estudio incluido en una revisiรณn es retractado despuรฉs de su publicaciรณn, las revistas deben aรฑadir correcciones o notificar a los lectores y, cuando sea factible, recomendar realizar unreanรกlisis del metaanรกlisis excluyendo el estudio retractado para evaluar si los resultados y las conclusiones se mantienen (3).
La prevenciรณn es posible: verificaciรณn sistemรกtica + herramientas de alerta + mejor seรฑalizaciรณn editorial.
Por รบltimo, herramientas de cribado especializadas como Covidence o Rayyan podrรญan incluir una funcionalidad para asegurar que el estatus de retractaciรณn sea reconocible.
Hacia una evidencia mรกs robusta y fiable
El crecimiento sostenido de las retractaciones, que superรณ el umbral rรฉcord de 10.000 en 2023 (4), es un desafรญo directo para la integridad de la evidencia cientรญfica. La parte mรกs preocupante no es la retractaciรณn en sรญ, sino su โvida posteriorโ, es decir, artรญculos que deberรญan quedar fuera del corpus siguen circulando, se citan, se reanalizan y pueden acabar contaminando revisiones sistemรกticas, metaanรกlisis y, por extensiรณn, guรญas de prรกctica clรญnica.
Es una responsabilidad compartida de investigadores, editores, plataformas y tambiรฉn de los bibliotecarios que sostenemos los flujos de bรบsqueda, verificaciรณn y sรญntesis de la evidencia el mitigar este problema. Hay que ir mรกs allรก con soluciones y asumiendo que ยซretractadoยป no significa automรกticamente ยซinofensivoยป.
Bibliografรญa
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.
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.
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.
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
ยฟCรณmo saber si un artรญculo estรก retractado? Comprueba el estatus en la base de datos donde lo localizaste (p. ej., registros con etiqueta de retractaciรณn) y contrรกstalo con recursos externos de vigilancia.
ยฟQuรฉ pasa si un estudio retractado entra en un metaanรกlisis? Puede cambiar la significaciรณn de resultados y, sobre todo, alterar la magnitud del efecto (el โcuรกnto funcionaโ), con impacto potencial en conclusiones y recomendaciones.
ยฟQuรฉ herramientas ayudan a detectar retractaciones durante una revisiรณn? รtiles en la prรกctica: Retraction Watch, Problematic Paper Screener, PubPeer y alertas/avisos en gestores de referencias como Zotero (si el registro estรก identificado de forma compatible).
ยฟBasta con que el artรญculo estรฉ retractado para โdesactivarloโ? No. El problema es la โvida posteriorโ: puede seguir citรกndose, entrar en sรญntesis y permanecer en resรบmenes si no se verifica y corrige โaguas abajoโ.
ยฟQuรฉ pueden hacer las revistas/editoriales para reducir el daรฑo? Seรฑalizaciรณn inequรญvoca del estatus, metadatos coherentes y prรกcticas consistentes de comunicaciรณn de retractaciones (para que se vean claramente en cualquier buscador/basedatos).
PRISMA 2020 declara explรญcitamente que no es para guiar la conducciรณn de la revisiรณn ni para evaluar calidad metodolรณgica.
ยฟPuedo citar PRISMA 2020 como metodologรญa? No, es una guรญa de reporte (y por quรฉ importa)
Muchos investigadores confunden realizar una revisiรณn sistemรกtica con reportarla. Piensan que completar un checklist al final es un โseguro de calidadโ, pero PRISMA 2020 no funciona asรญ: no es un trรกmite de รบltima hora, sino un estรกndar para hacer transparente lo que se hizo y lo que se encontrรณ.
El Gran Malentendido: reporte vs. metodologรญa
En artรญculos es frecuente leer โseguimos PRISMAโ como si describiera cรณmo se ejecutรณ la revisiรณn. El problema es conceptual: PRISMA 2020 es una guรญa de reporte, no una guรญa metodolรณgica para โhacerโ revisiones. De hecho, PRISMA 2020 declara explรญcitamente que no pretende guiar la conducciรณn de la revisiรณn ni evaluar su calidad metodolรณgica. Esta confusiรณn alimenta malas prรกcticas (y revisiones โbien contadasโ pero dรฉbilmente ejecutadas).
La Declaraciรณn PRISMA 2020 no es un trรกmite burocrรกtico de รบltima hora; es un cambio de paradigma hacia la transparencia total.
Analogรญa culinaria
La Metodologรญa es la ยซrecetaยป: El procedimiento detallado (Cochrane, JBI) sobre cรณmo se diseรฑa y ejecuta la revisiรณn.
PRISMA son los ยซingredientesยป: La informaciรณn mรญnima que debe mostrar la revisiรณn sistemรกtica que permite a otros entender, evaluar y reproducir tu trabajo.
Una revisiรณn puede โcumplir PRISMAโ y aun asรญ ser metodolรณgicamente dรฉbil si el diseรฑo y la ejecuciรณn fueron inadecuados.
Un reporte que cumpla todos los รญtems de PRISMA puede seguir siendo ยซmetodolรณgicamente incomestibleยป si el diseรฑo original es sesgado.
Quรฉ es PRISMA y quรฉ incluye (componentes):
PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses)es una guรญa para informar/reportar/comunicar una revisiรณn sistemรกtica, pero NO es una recomendaciรณn de cรณmo hacer una revisiรณn sistemรกtica.
PRISMA 2020 incluye, entre otros componentes:
Checklist de 27 รญtems.
Diagramas de flujo (plantillas para revisiones originales y actualizaciones).
Documento de Explanation & Elaboration con explicaciรณn y ejemplos por รญtem.
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)
Reducir โcajas negrasโ: obliga a explicitar elementos que antes se omitรญan (p. ej., estrategias completas, herramientas, disponibilidad de datos/cรณdigo).
Aumentar transparencia: deja rastro de decisiones clave (fuentes, selecciรณn, extracciรณn, sรญntesis).
Mejorar reproducibilidad: facilita replicar/actualizar la revisiรณn, incluida la bรบsqueda.
Facilitar evaluaciรณn crรญtica: permite a editores y lectores valorar lo que se hizo y sus limitaciones.
Uso recomendado: no โrellenar casillasโ al final, sino usar PRISMA como mapa de documentaciรณn desde el protocolo.
Quรฉ NO es PRISMA 2020
PRISMA 2020 no es:
Una guรญa para diseรฑar y ejecutar la revisiรณn (eso corresponde a manuales metodolรณgicos y a un protocolo).
Un sello de calidad metodolรณgica: cumplir รญtems no elimina sesgos ni garantiza una sรญntesis apropiada.
Un instrumento de riesgo de sesgo (RoB 2, ROBINS-I, QUADAS-2, etc.).
Cรณmo usar PRISMA 2020 bien
Desde el protocolo: define pregunta, criterios, outcomes, comparadores y plan de sรญntesis a priori (para protocolos, PRISMA-P).
Selecciรณn trazable: quiรฉn cribรณ, cรณmo se resolvieron discrepancias y diagrama PRISMA.
Herramientas/automatizaciรณn: si se usaron, describir cuรกles y cรณmo afectaron decisiones.
No confundir reporte con validaciรณn: ademรกs del checklist, riesgo de sesgo y certeza de la evidencia.
Aclaraciรณn tรฉcnica para el diagrama de flujo PRISMA 2020
Para que los nรบmeros โcuadrenโ, hay que dominar la jerarquรญa terminolรณgica:
Record (registro): tรญtulo/resumen indexado.
Report (documento): el โcontenedorโ (artรญculo, preprint, tesis, registro, etc.).
Study (estudio): la investigaciรณn; puede tener mรบltiples reports.
Ademรกs, el รญtem 16b exige citar los estudios que โpodrรญan parecer elegiblesโ y explicar por quรฉ se excluyeron tras texto completo.
Malas utilizaciones frecuentes
Decir seguimos PRISMA como sinรณnimo de metodologรญa;
Completar el checklist al final como โsello de calidadโ:
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 (รญtem 16b).
ยฟEs PRISMA la รบnica guรญa de reporte?NO
ยฟY entonces, quรฉ guรญas metodolรณgicas debo seguir para mi revisiรณn?
En la tabla vemos los consorcios internacionales y organizaciones nacionales que proporcionan guรญas metodolรณgicas para el desarrollo de sรญntesis de evidencia.
En resumen: ยฟPuedo citar PRISMA como metodologรญa para mi revisiรณn?La respuesta es no: PRISMA (incluido PRISMA 2020) es una guรญa de reporte, no un manual metodolรณgico para diseรฑar y ejecutar una revisiรณn. Del mismo modo, PRISMA-ScR proporciona criterios para reportar una revisiรณn de alcance, no instrucciones para llevarla a cabo.
PRISMA no garantiza calidad por sรญ solo, pero sรญ garantiza algo imprescindible: que otros puedan ver con claridad quรฉ hiciste, juzgarlo y reproducirlo.
No solo facilita la labor editorial; tambiรฉn protege la calidad y la confianza del conocimiento que, en รบltima instancia, impactarรก en la prรกctica clรญnica y en los pacientes.
PRISMA no te dice cรณmo hacerlo bien; te obliga a enseรฑar quรฉ hiciste. Y esa diferencia es la frontera entre transparencia y apariencia.
Bibliografรญa
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, Hrรณbjartsson 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, Catalรก-Lรณpez 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.
Acaba de publicarse en Journal of Evidence-Based Medicine el artรญculo โUmbrella Reviews: Concepts, Methodological Frameworks, and Step-by-Step Implementationโ (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 (โConducting umbrella reviewsโ, 2022).
ยฟPor quรฉ 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: ยฟquรฉ sabemos con suficiente certeza? Este desafรญo no afecta solo al pรบblico general; clรญnicos, gestores y responsables de polรญticas sanitarias se enfrentan a un crecimiento sostenido de la literatura cientรญfica.
El fenรณmeno no se limita a la investigaciรณn primaria. Tal y como advirtiรณ Ioannidis, asistimos tambiรฉn a una autรฉntica ยซexpansiรณnยปepidemiaยป de la literatura secundaria (revisiones sistemรกticas y metaanรกlisis). Cuando se acumulan mรบltiples revisiones sobre temas cercanos (o incluso la misma pregunta), el problema deja de ser โencontrar evidenciaโ para convertirse en identificar, comparar y valorar crรญticamente cuรกl de esa evidencia es mรกs fiable y aplicable. Para ponerlo en perspectiva, la base de datos mรฉdica PubMed ha indexado mรกs de 510,000 revisiones sistemรกticas y metaanรกlisis.
La evidencia secundaria creceโฆ y con ella el reto de interpretarla con rigor.
En este contexto, las revisiones paraguas (umbrella reviews) aportan una soluciรณn metodolรณgica para introducir orden. A diferencia de una revisiรณn sistemรกtica clรกsica, una umbrella review no analiza directamente estudios primarios; su unidad de anรกlisis son revisiones sistemรกticas (RS) y metaanรกlisis (MA) ya publicados. Como Belbasis et al. seรฑalรณ, las revisiones paraguas ofrecen una visiรณn general de mรบltiples intervenciones para una condiciรณn mรฉdica especรญfica o mรบltiples asociaciones epidemiolรณgicas para una condiciรณn mรฉdica especรญfica (enfoque de exposiciรณn amplia) o un factor de riesgo especรญfico (enfoque de fenรณmeno amplio).
En tรฉrminos conceptuales, hablamos de investigaciรณn terciaria:
La investigaciรณn primaria genera datos (p. ej., ensayos clรญnicos, cohortes).
La investigaciรณn secundaria sintetiza por primera vez esos datos (RS/MA).
La investigaciรณn terciaria integra y evalรบa crรญticamente mรบltiples sรญntesis secundarias (overviews y umbrella reviews).
Por ello, en la jerarquรญa de la evidencia, las revisiones paraguas se sitรบan en un nivel alto de sรญntesis, especialmente รบtiles para ofrecer una visiรณn global y comparativa del estado del conocimiento y apoyar decisiones clรญnicas, de gestiรณn o de salud pรบblica.
ยฟCuรกndo debemos hacer una revisiรณn paraguas?
La idea central es sencilla: cuando el โnivel altoโ de evidencia (SR/MA) se multiplica, necesitamos metodologรญas de sรญntesis terciaria que permita:
integrar resultados de varias revisiones,
comparar conclusiones entre sรญ,
valorar crรญticamente su calidad metodolรณgica y la certeza del cuerpo de evidencia,
y identificar quรฉ conclusiones son mรกs sรณlidas y dรณnde persisten incertidumbres.
Belbasis y cols. propusieron, ademรกs, un algoritmo de decisiรณn prรกctico para orientar cuรกndo es preferible una umbrella review frente a otros tipos de sรญntesis.
Caracterรญsticas de las revisiones paraguas
Las revisiones paraguas se distinguen por varios rasgos nucleares:
Unidad de anรกlisis: revisiones sistemรกticas con o sin metaanรกlisis (no estudios primarios).
Alcance: suelen abordar campos amplios (por ejemplo, varias intervenciones para una misma condiciรณn, o mรบltiples asociaciones exposiciรณnโresultado).
Propรณsito: ofrecer una visiรณn panorรกmica (โbirdโs-eye viewโ), gestionar la sobrecarga de evidencia y ayudar a resolver discrepancias entre revisiones.
Utilidad estratรฉgica: facilitan la toma de decisiones al permitir comparar varias alternativas (intervenciones, enfoques, asociaciones) en un รบnico documento; son un insumo valioso para guรญas y polรญticas.
Evaluaciรณn crรญtica: no se limitan a resumir resultados; incorporan una valoraciรณn estructurada de la calidad metodolรณgica y del riesgo de sesgo de las revisiones incluidas (p. ej., AMSTAR-2, ROBIS), y de la certeza de la evidencia (p. ej., GRADE).
ยฟCรณmo hacer una revisiรณn paraguas?
A continuaciรณn, un esquema operativo (paso a paso) alineado con recomendaciones metodolรณgicas actuales:
1. Formular la pregunta de investigaciรณn y registrar del protocolo
Definir un objetivo claro y justificable (por quรฉ una umbrella review es necesaria y quรฉ aporta respecto a RS/MA existentes). Estructurar la pregunta con marcos adecuados, segรบn el tipo de evidencia:
PICO(S) (efectividad clรญnica)
CoCoPop (prevalencia/etiologรญa)
PEO (cualitativa o exposiciones)
Registrar el protocolo a priori (p. ej., PROSPERO u OSF) mejora transparencia y reduce duplicidades.
2. Definir criterios de inclusiรณn y exclusiรณn
Incluir exclusivamente sรญntesis de evidencia (RS con o sin MA). Excluir, salvo justificaciรณn explรญcita: estudios primarios, revisiones narrativas, guรญas, informes tรฉcnicos no sistemรกticos.
3. Diseรฑar y ejecutar una bรบsqueda sistemรกtica reproducible
La bรบsqueda debe ser exhaustiva, reproducible. Bases habituales: MEDLINE/PubMed, Cochrane Database of Systematic Reviews, Embase, Epistemonikos, Scopus y registros como PROSPERO. Es recomendable emplear filtros metodolรณgicos validados para RS/MA cuando proceda.
4. Selecciรณn de estudios y extracciรณn de datos
Este proceso debe ser realizado de forma independiente por al menosย dos revisoresย para minimizar sesgos. La selecciรณn consiste en el cribado de tรญtulos y resรบmenes, seguido de la evaluaciรณn de textos completos frente a los criterios de elegibilidad. Para la extracciรณn se utiliza un formulario estandarizado para recopilar caracterรญsticas bรกsicas (autores, aรฑo), objetivos, intervenciones, resultados cuantitativos, mรฉtodos de sรญntesis y evaluaciones de calidad de las RS incluidas.
5. Evaluar la calidad metodolรณgica / riesgo de sesgo de las revisiones incluidas
Herramientas frecuentes:
AMSTAR-2 (calidad metodolรณgica general)
ROBIS (riesgo de sesgo de la revisiรณn sistemรกtica)
Otras herramientas equivalentes, si estรกn justificadas por el tipo de revisiรณn.
6. Gestionar el solapamiento de estudios primarios (Overlap)
Un reto รบnico 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:ย Se recomienda crear una tabla que cruce las RS con los estudios primarios รบnicos.
Cuantificar el solapamiento con el cรกlculo del ACC:ย El uso del รญndice delย รrea Cubierta Corregida (CCA)ย permite cuantificar el solapamiento (leve <5%, moderado 6-10%, alto 11-15%, y muy alto >15%).
Considerar herramientas de apoyo como el softwareย GROOVEย para una representaciรณn grรกfica del solapamiento.
7. Sรญntesis y anรกlisis de los datos
Existen dos enfoques principales para presentar los hallazgos:
Sรญntesis narrativa:ย รบtil para mapear el campo, identificar patrones y discrepancias, sin recalcular efectos.
Reanรกlisis (Repeated Analysis):ย 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. Evaluaciรณn de la certeza de la evidencia
Aplicar GRADE (u otro sistema equivalente justificado) para clasificar la certeza final (alta, moderada, baja, muy baja) segรบn riesgo de sesgo, inconsistencia, imprecisiรณn, etc.
9. Reporte de los resultados transparente
Para overviews de revisiones, la guรญa PRIOR es una referencia รบtil para asegurar informe completo, reproducible y trazable. Esta lista de verificaciรณn de 27 รญtems cubre todos los aspectos del ciclo de vida de la revisiรณn, desde el tรญtulo hasta la declaraciรณn de conflictos de interรฉs, asegurando la transparencia y reproducibilidad de la sรญntesis.
Principales aportaciones del artรญculo de Liu et al. (2025)
Delimita con claridad las diferencias entre revisiones sistemรกticas/metaanรกlisis, overviews y umbrella reviews, incluyendo su lugar en la jerarquรญa de la evidencia.
Propone un flujo metodolรณgico estructurado: definiciรณn del tema y criterios, registro del protocolo, bรบsqueda y cribado, extracciรณn, evaluaciรณn de calidad (p. ej., AMSTAR-2), valoraciรณn de certeza (p. ej., GRADE) y anรกlisis.
Incorpora aspectos tรฉcnicos crรญticos para este tipo de sรญntesis, como el solapamiento de estudios primarios entre revisiones y la heterogeneidad, con recomendaciones prรกcticas para abordarlos y reportarlos.
ยฟQuieres evaluar tus conocimientos de las revisiones paraguas?
BIBLIOGRAFรA
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.
Durante aรฑos, Rayyan ha sido especialmente sรณlido en el cribado por tรญtulo/resumen, pero muchos equipos (y, en particular, quienes coordinamos revisiones con volรบmenes altos) nos encontrรกbamos con dificultades claras cuando el proyecto avanzaba hacia el texto completo y la gestiรณn documental.
Las limitaciones de Rayyan
Histรณricamente, Rayyan se diseรฑรณ como herramienta de cribado y, aunque ha ido incorporando mรณdulos posteriores, en la prรกctica cotidiana se repetรญan algunos problemas:
Gestiรณn manual de textos completos (PDF): Los PDFs debรญan recuperarse fuera de Rayyan. Despuรฉs, habรญa que subirlos y adjuntarlos manualmente a cada registro, uno a uno.
Integraciรณn imperfecta del flujo de trabajo: Rayyan resultaba muy eficiente en el primer cribado, pero el proceso tendรญa a volverse mรกs โpesadoโ en fases posteriores. Era frecuente recurrir a soluciones externas (carpetas compartidas, gestores bibliogrรกficos paralelos, etc.) para poder trabajar con muchos PDFs de forma operativa.
La novedad: โMi Bibliotecaโ (My Library)
Rayyan ha introducido Mi Biblioteca como un espacio estable, reutilizable y conectado a las revisiones, diseรฑado para centralizar archivos y reducir trabajo manual, especialmente en el cribado a texto completo.
En tรฉrminos prรกcticos, โMi Bibliotecaโ 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 ยซMy Libraryยป
1) Centralizaciรณn y orden (por fin, โun sitioโ para todo)
Permite almacenar una colecciรณn propia de investigaciรณn, con referencias y textos completos.
Puedes crear carpetas y estructurar el contenido por proyectos, temas o etapas.
Facilita la gestiรณn de colecciones grandes con una lรณgica de โrepositorioโ (custodia y reutilizaciรณn, no solo importaciรณn puntual).
2) Reutilizaciรณn real entre proyectos
Una idea clave es evitar el โdรฉjร vuโ de reimportar lo mismo en cada revisiรณn: โMi Bibliotecaโ estรก pensada para que tu colecciรณn de referencias/archivos sea persistente y puedas usar los mismos รญtems en revisiones diferentes cuando lo necesites.
3) El gran cuello de botella: texto completo (PDF) y su enlace al registro
Aquรญ estรก el salto mรกs prรกctico: 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 โsubir y adjuntarโ uno por uno desde cero en cada revisiรณn.
4) Recuperaciรณn y โcopia de trabajoโ
Todo lo que subes queda disponible para su reutilizaciรณn y descarga, lo que aporta una capa รบtil de respaldo operativo (especialmente cuando el equipo trabaja con mรบltiples revisiones o rotaciรณn de participantes).
Implicaciones para bibliotecas hospitalarias y equipos de revisiรณn
Reducir trabajo manual repetitivo.
Mejorar la trazabilidad (dรณnde estรก cada PDF, cuรกndo se incorporรณ, a quรฉ proyecto se vinculรณ).
Disminuir dependencias de circuitos paralelos (carpetas compartidas + โdobleโ gestiรณn fuera de la plataforma).
Cautelas (importantes)
No es un sistema de obtenciรณn de texto completo: โMi Bibliotecaโ no sustituye el acceso: sigue siendo imprescindible disponer de los PDFs por vรญas legรญtimas (suscripciรณn institucional, OA, solicitud a autores, etc.).
Quรฉ puedes hacer con cuenta gratuita:
Subir y organizar PDFs y archivos de referencias en Mi Biblioteca, sin lรญmite de espacio tan solo que cada PDF no exceda 100MB, y no subir mรกs 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.
Quรฉ queda restringido a planes de pago: El PDF Auto Matching (la asignaciรณn automรกtica de PDFs a las referencias) es una funcionalidad solo de pago.
En resumen …
โMi Bibliotecaโ supone una notable mejora, ya que actรบa en el eslabรณn mรกs frรกgil del flujo de trabajo en Rayyan: la gestiรณn del texto completo y su acoplamiento al cribado. Para quienes trabajamos apoyando revisiones sistemรกticas desde bibliotecas hospitalarias, este cambio puede traducirse en menos trabajo manual, mรกs orden y mรกs eficiencia en proyectos de alto volumen.
Hasta ahora, diseรฑar una estrategia de bรบsqueda sรณlida, 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 integraciรณn de modelos de lenguaje generativo en los procesos de revisiรณn sistemรกtica estรก modificando de manera sustancial la fase de bรบsqueda y recuperaciรณn de informaciรณn.
La clave estรก en entender quรฉ puede hacer cada uno y cรณmo combinar sus fortalezas para obtener bรบsquedas mรกs robustas, eficientes y reproducibles en un contexto donde la calidad de la evidencia importa mรกs que nunca.
Tareas en las que puede intervenir la IA
La aportaciรณn de la IA no reside รบnicamente en la aceleraciรณn de tareas, sino en la capacidad de ampliar, diversificar y estructurar el acceso a la literatura cientรญfica, amplificando los procedimientos manuales.
Generaciรณn rรกpida y exhaustiva de tรฉrminos de bรบsqueda. Los modelos de IA generativa son capaces de recopilar tรฉrminos de miles de textos y, a partir de ahรญ, sugieren sinรณnimos, acrรณnimos y variantes de un mismo concepto. En otras palabras, ayudan a descubrir tรฉrminos relevantes que, de otro modo, podrรญan pasarse por alto. Esta capacidad resulta especialmente รบtil en รกreas emergentes o interdisciplinarias, donde la terminologรญa aรบn no estรก normalizada y la literatura se dispersa en mรบltiples dominios temรกticos.
Aumento de la sensibilidad/exhaustividad (recall) de la bรบsqueda. Estas herramientas son capaces de producir una primera estrategia de bรบsqueda con elevada sensibilidad, es decir, muy amplia, recuperando muchรญsimos resultados. Es verdad que luego hay que limpiarlos y depurarlos, pero esa โprimera cosechaโ sirve como una base sรณlida sobre la que seguir afinando la estrategia, aรฑadir filtros y ajustar los tรฉrminos. En este sentido, la IA funciona como un acelerador: te ayuda a arrancar rรกpido con un punto de partida fuerte, aunque siempre hace falta la mirada experta del bibliotecario para asegurar que todo tenga sentido y calidad.
Generaciรณn de bรบsquedas booleanas para distintas bases de datos/plataformas. Uno de los avances mรกs 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 aplicaciรณn correcta de campos de bรบsqueda, operadores de proximidad, truncamientos, tesauros controlados y peculiaridades funcionales de cada motor. Esta precisiรณn reduce errores, evita pรฉrdidas de sensibilidad y mejora la reproducibilidad del proceso.
Ventajas/Oportunidades del uso de la IA
Fase de bรบsqueda inicial mรกs exhaustiva: La IA puede generar en pocos segundos un abanico enorme de tรฉrminos, sinรณnimos y palabras clave relacionadas con un tema. Esto resulta especialmente รบtil cuando nos enfrentamos a un campo nuevo o del que sabemos poco: la herramienta propone conceptos que quizรก no habrรญamos considerado y evita que la estrategia de bรบsqueda se quede corta.
Mรกs referencias desde el principio: Las herramientas de IA suelen recuperar mucho mรกs. Su forma de interpretar las palabras clave es mรกs amplia que la nuestra, lo que se traduce en un volumen mayor de resultados. Luego tocarรก depurarlos, sรญ, pero arrancar con una red mรกs grande ayuda a no dejar estudios relevantes fuera.
Menos tiempo perdido al adaptar estrategias entre bases de datos: Pasar una estrategia de bรบsqueda de MEDLINE (PubMed u OVID) a Embase.com, Scopus o WoS es un trabajo pesado, repetitivo y lleno de pequeรฑos detalles que es fรกcil olvidar. La IA puede hacerlo automรกticamente, respetando sintaxis, operadores booleanos y campos correctos en cada plataforma. En la prรกctica, esto supone menos errores y muchas horas ahorradas.
Orden y lรณgica en los tรฉrminos: Ademรกs de reunir tรฉrminos รบtiles, la IA es capaz de agruparlos por categorรญas o temas. No solo te dice quรฉ palabras usar, sino que te ayuda a entender cรณmo se relacionan entre sรญ, lo que facilita estructurar la bรบsqueda con sentido.
Inconvenientes y retos del uso de IA en las revisiones sistemรกticas
Mucho volumen, poca precisiรณn: 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 investigaciรณn. En cambio, una estrategia elaborada por un bibliotecario suele ser mรกs ajustada desde el principio, porque estรก pensada para responder a criterios concretos y no para abarcar โtodo lo que pueda sonar parecidoโ.
La experiencia humana sigue siendo irremplazable: La IA propone muchos tรฉrminos, sรญ, pero no sabe cuรกndo un matiz importa. Afinar la estrategia de bรบsqueda, elegir el descriptor correcto o decidir si un tรฉrmino aporta ruido o informaciรณn รบtil 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 metodolรณgicas.
Limitaciones de acceso a bases de datos suscritas: Hoy por hoy, la mayorรญa de modelos de IA no pueden entrar en bases de datos cientรญficas de pago. Esto significa que no pueden comprobar en tiempo real quรฉ tรฉrminos estรกn indexados, quรฉ descriptores existen o cรณmo 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 crรญtico porque las estrategias de bรบsqueda mรกs sรณlidas combinan tรฉrminos libres con tรฉrminos controlados, y esa fineza todavรญa no estรก al alcance de las herramientas generativas.
No descarga ni extrae referencias: Otra limitaciรณn importante es que la IA no puede descargar los resultados de la bรบsqueda ni gestionarlos en un gestor bibliogrรกfico. Sigue siendo necesario pasar por las plataformas originales para obtener los registros y preparar la deduplicaciรณn o el cribado.
Siempre necesita supervisiรณn: El uso de IA no elimina la figura del bibliotecario experto ni del equipo de revisiรณn. Mรกs bien cambia su papel: deja de ser quien hace cada paso manualmente para convertirse en quien valida, corrige y toma decisiones informadas. Sin esa supervisiรณn, la IA puede generar estrategias amplias, pero no necesariamente adecuadas.
Un modelo sinรฉrgico: 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 bรบsqueda y revisiรณn gana en velocidad, alcance y rigor.
ยฟCuรกl serรญa el rol de la IA? La IA es especialmente รบtil en las primeras fases del trabajo. Su fortaleza estรก en generar cantidad: propone tรฉrminos, sugiere combinaciones, construye borradores de estrategias de bรบsqueda y automatiza tareas tediosas como adaptar consultas entre plataformas o expandir sinรณnimos. Es rรกpida y eficiente para mover grandes volรบmenes de informaciรณn.
ยฟQuรฉ aporta el bibliotecario? El bibliotecario, por su parte, aporta calidad. No solo afina la terminologรญa y valida los conceptos relevantes, sino que es quien domina el uso de tesauros, entiende la lรณgica de indexaciรณn de cada base de datos y detecta inconsistencias que la IA no ve. Ademรกs, garantiza el rigor metodolรณgico: sabe cuรกndo un tรฉrmino es demasiado amplio, cuรกndo un operador puede distorsionar la pregunta de investigaciรณn y cรณmo documentar correctamente una estrategia reproducible.
La IA debe usarse como compaรฑera de los humanos, no como sustituta.
Tรบ eres, en รบltima instancia, responsable de su sรญntesis de la evidencia, incluida la decisiรณn de usar IA y de garantizar la adhesiรณn a las normas legales y รฉticas.
Usa la IA siempre que no comprometas el rigor metodolรณgico ni la integridad de la sรญntesis.
Debes de informar de forma completa y trasparente del uso de cualquier IA que emita o sugiera juicios.
La inteligencia artificial (IA) puede acelerar y reforzar fases concretas de una revisiรณn sistemรกtica (RS), pero no sustituye el juicio metodolรณgico ni la verificaciรณn humana. Esta guรญa resume cuรกndo y cรณmo usarla con seguridad, quรฉ supervisiรณn aplicar y cรณmo documentar su empleo en protocolos y manuscritos. Esta es una guรญa prรกctica y aplicada para equipos de revisiรณn sistemรกtica que desean comenzar a incorporar herramientas de inteligencia artificial (IA) de forma responsable, alineada con la declaraciรณn conjunta CochraneโCampbellโJBIโCEE y las recomendaciones RAISE.
1) Antes de usar IA: 4 decisiones clave
Evalรบa 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 elecciรณn de herramientas.
Selecciona con criterio. Prioriza herramientas con validaciรณn pรบblica y documentaciรณn completa; comprueba si han sido entrenadas en dominios afines a tu tema.
Consulta a metodรณlogos y expertos si es posible.
2) ยฟDรณnde aporta valor la IA? (y quรฉ control aplicar)
3) Buenas prรกcticas de reporte
Incluye de forma transparente: herramienta y versiรณn; objetivo de uso (cribado, extracciรณn, redacciรณnโฆ); justificaciรณn metodolรณgica (validaciรณn/ utilidades); verificaciรณn aplicada; limitaciones y posibles sesgos; conflictos de interรฉs; y dรณnde estรกn cรณdigo, prompts o I/O (si aplica).
Consejo: Incluye esta informaciรณn en el apartado Mรฉtodos y/o en Material suplementario.
Plantilla genรฉrica de informes que podrรญa usarse adatรกnda 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) Cรณmo informar el uso de IA en protocolo y manuscrito
5. Formaciรณn del equipo
Competencias mรญnimas recomendadas
Saber interpretar evaluaciones de herramientas de IA
Comprender sesgos algorรญtmicos (e.g., sesgo de idioma, acceso abierto)
Saber aplicar criterios รฉticos y legales (protecciรณn de datos, plagio)
Capacidad de diseรฑar prompts precisos y reproducibles si se usan LLMs
La IA optimiza tareas repetitivas y ayuda a estructurar informaciรณn, pero su fiabilidad depende de una elecciรณn informada, pilotaje previo, verificaciรณn sistemรกtica y transparencia en el reporte. Si no mejora la eficiencia o la calidad de la RS, no la utilices.
Bibliografรญa
Flemyng, E., Noel-Storr, A., Macura, B., Gartlehner, G., Thomas, J., Meerpohl, J. J., Jordan, Z., Minx, J., Eisele-Metzger, A., Hamel, C., Jemioลo, 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, s13750-025-00374โ00375. 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., Jemioลo, P., Saran, A., Haddaway, N., Kusa, W., Chi, Y., Fletcher, I., Minx, J., McFarlane, E., Kapp, C., โฆ Gartlehner, G. (2025). Responsible AI in Evidence Synthesis (RAISE) 1: Recommendations for practice. https://osf.io/fwaud
A comienzos del siglo XX, Berlรญn contuvo el aliento ante un caballo. Lo llamaban Hans y, frente a una pizarra de nรบmeros, hacรญa 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 pequeรฑo milagro.
โHans el Listoโ en acciรณn, golpeando con su casco. Disponible en: Samhita L, Gross HJ. The ยซClever Hans Phenomenonยป 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 organizรณ una investigaciรณn oficial. Primero, la llamada Comisiรณn Hans descartรณ engaรฑos burdos: no habรญa hilos, ni claves pactadas, ni trucos circenses. Despuรฉs, el psicรณlogo Oskar Pfungst diseรฑรณ experimentos controlados: cambiรณ al interrogador, ocultรณ las expresiones faciales, variรณ la posiciรณn del pรบblico e incluso impidiรณ el contacto visual. Cuando quien preguntaba no conocรญa la respuesta, o cuando Hans no podรญa โleerโ a las personas, el caballo fallaba.
Pero el prodigio tenรญa costuras humanas: Hans no resolvรญa aritmรฉtica, leรญa cuerpos; detectaba seรฑales mรญnimas โuna ceja, un leve enderezarse el cuerpo, la respiraciรณn que se cambia justo en el nรบmero esperadoโ y detenรญa su casco en el punto exacto de la expectativa ajena. Asรญ naciรณ el tรฉrmino que aรบn usamos en ciencia: el โefecto Clever Hansโ.
Esta historia es un espejo รบtil para la inteligencia artificial moderna. Los modelos โde GPT-4 no โdescifranโ 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 seรฑales son ricas y la guรญa es nรญtida; y, tambiรฉn como Hans, fallan cuando retiramos esas pistas o las contaminamos. La enseรฑanza 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 creรญamos observar estaba en la coreografรญa invisible de quienes hacรญan la pregunta. Hoy, cuando diseรฑamos, 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 โadivinarseโ por atajos. Porque la frontera entre comprender y simplemente complacer nuestras expectativas puede ser tan fina como el temblor de un mรบsculo.
BIBLIOGRAFรA
Samhita L, Gross HJ. The ยซClever Hans Phenomenonยป 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.ยบ 33936). Disponible en: https://www.gutenberg.org/ebooks/33936?
Aunque la IA tiene el potencial de transformar los procesos y hacer la sรญntesis mรกs oportuna, asequible y sostenible, la tecnologรญa es potencialmente disruptiva y conlleva riesgos como la opacidad, el sesgo algorรญtmico y la creaciรณn de contenido fabricado (alucinaciones).
Recientemente se ha desarrollado la guรญa RISE (Responsible use of AI in evidence SynthEsis) para abordar la necesidad de un consenso sobre quรฉ constituye el uso responsable de los LLMs. Cochrane y JBI han adoptado una posiciรณn conjunta y oficial respecto al uso de la Inteligencia Artificial (IA) en la sรญntesis de evidencia, la cual estรก formalmente alineada con las recomendaciones RAISE (Responsible use of AI in evidence SynthEsis). Esta postura se estableciรณ en colaboraciรณn con la Campbell Collaboration y la Collaboration for Environmental Evidence (CEE), formando un Grupo Conjunto de Mรฉtodos de IA (1).
ยฟQuรฉ son los principios RAISE?
RISE establece un marco de trabajo para garantizar el uso responsable de la inteligencia artificial (IA) y la automatizaciรณn a lo largo de todo el ecosistema de la sรญntesis de evidencia. Tiene como objetivo Salvaguardar los principios esenciales de la integridad de la investigaciรณn frente a la integraciรณn creciente de la IA (2).
Inteligencia artificial dentro del marco RISE
Los autores podrรกn integrar la inteligencia artificial en sus procesos de sรญntesis de evidencia y preparaciรณn de manuscritos, siempre que se garantice que su uso no comprometerรก el rigor metodolรณgico ni la integridad de la evidencia sintetizada. Su implementaciรณn debe estar debidamente justificada y sustentada por la solidez metodolรณgica de las herramientas empleadas.
Cรณmo se implementan las recomendaciones RISE
RISE establece tres categorรญas principales de recomendaciones para los autores de sรญntesis de evidencia:
Pilar 1. Responsabilidad รบltima: la firma es tuya.
El autor es el responsable final del contenido, los mรฉtodos y los hallazgos de su sรญntesis, incluyendo la decisiรณn de usar la IA, cรณmo se emplea y el impacto que tiene en el resultado. El equipo autor responde del contenido, mรฉtodos y hallazgos, incluida ladecisiรณn de usar IA, cรณmo se usa y su impacto. Antes de adoptar herramientas, sรฉ crรญtico: ยฟhacen lo que prometen?, ยฟcon quรฉ limitaciones?, ยฟencajan con tu pregunta y contexto? Justifica el uso: demuestra solidez metodolรณgica y que no compromete la confianza en resultados y conclusiones.
Declara la IA cuando hace o sugiere juicios (elegibilidad, riesgo de sesgo, extracciรณn, sรญntesis, GRADE, resรบmenes). No suele ser necesario declarar correcciones menores de ortografรญa/gramรกtica, salvo que la revista lo exija.
Incluye siempre:
Nombre(s) del/de los sistema(s) o herramienta(s) de IA, versiรณn(es) y fecha(s) de uso.
Para quรฉ la usaste y en quรฉ fases; guรญa y cรณmo se aplicรณ (incluidas modificaciones).
Justificaciรณn y evidenciade desempeรฑo/limitaciones; cรณmo validaste/pilotaste su uso.
Disponibilidad (si es viable): prompts, salidas, datasets, cรณdigo; y pasos de verificaciรณn.
Intereses (financieros/no financieros) respecto a la herramienta y su financiaciรณn.
Limitaciones y sesgos detectados y su posible impacto. Alinea con PRISMA/ROSES y colรณcalo donde pida la revista (Mรฉtodos, Agradecimientos o secciรณn especรญfica).
PILAR 3. Consideraciones รฉticas y legales.
Cuida plagio, autorรญa, derechos y licencias, confidencialidad y protecciรณn de datos. Si tratas datos sensibles, extrema las garantรญas.
Plantilla para declarar el uso de IA (copiar/pegar)
Aquรญ te dejo un ejemplo de modelo de plantilla que puedes utilizar en tu prรณxima revisiรณn:
Uso de IA y automatizaciรณn: Durante esta revisiรณn utilizamos [Nombre-herramienta, versiรณn] (acceso el [fecha]) para [fases: bรบsqueda/cribado/extracciรณn/sรญntesis/resumen]. Aplicamos [parรกmetros/modificaciones] y validamos su desempeรฑo mediante [piloto, muestreo, doble ciego, comparaciรณn con estรกndar]. Conservamos prompts, salidas y registros en [repositorio/suplemento]. El equipo no declara [intereses/relaciones] con el proveedor. Limitaciones observadas: [listar]; impacto potencial: [describir]. La decisiรณn final sobre elegibilidad, extracciรณn y conclusiones fue humana.
Tabla traducida al espaรฑol de RAISE (versiรณn 2.1 en desarrollo a partir del 22 de septiembre de 2025)
Categorรญa RISE
Mรกs orientaciรณn
Mantener la responsabilidad รบltima de la sรญntesis de evidencia
– El autor es responsable del contenido, los mรฉtodos y los hallazgos de su sรญntesis de evidencia, incluida la decisiรณn de usar IA, cรณmo se usa y su impacto en la sรญntesis. – Al considerar el uso de un sistema o herramienta de IA, sea crรญtico con sus evaluaciones para comprender si hace lo que declara con un nivel adecuado, asรญ como sus limitaciones y si puede aplicarse al contexto de la sรญntesis especรญfica. – El uso de la IA debe estar justificado y debe demostrarse que las herramientas son metodolรณgicamente sรณlidas, que no socavan la confiabilidad o fiabilidad de la sรญntesis ni de sus conclusiones y que es apropiado usar un sistema o herramienta de IA especรญfica en el contexto de la sรญntesis concreta.
Informar de manera transparente el uso de IA en el manuscrito de la sรญntesis de evidencia
– Los autores pueden utilizar IA dentro de sus sรญntesis y para preparar su manuscrito. – Los autores deben declarar cuรกndo han utilizado IA si esta realiza o sugiere juicios, por ejemplo en relaciรณn con la elegibilidad de un estudio, valoraciones (incluida la evaluaciรณn del riesgo de sesgo), extracciรณn de datos bibliogrรกficos, numรฉricos o cualitativos de un estudio o de sus resultados, sรญntesis de datos de dos o mรกs estudios, valoraciรณn de la certeza de la evidencia (incluidos los dominios de GRADE o las calificaciones globales de certeza para un desenlace o hallazgo), redacciรณn de texto que resume la solidez global de la evidencia, las implicaciones para la toma de decisiones o la investigaciรณn, o resรบmenes en lenguaje sencillo. En general, no es necesario consignar la IA utilizada รบnicamente para mejorar ortografรญa, gramรกtica o la estructura del manuscrito, pero recomendamos comprobar la polรญtica especรญfica de la revista para asegurar el cumplimiento. – Cumplir con los estรกndares de notificaciรณn establecidos por cada revista, como PRISMA o ROSES. PRISMA, por ejemplo, incluye รญtems sobre la notificaciรณn de herramientas de automatizaciรณn usadas en diferentes etapas del proceso de sรญntesis. Esto debe informarse en la secciรณn especificada por cada revista, como Agradecimientos, Mรฉtodos o una secciรณn especรญfica para la divulgaciรณn del uso de IA. Si los detalles son extensos o la IA se usa en mรบltiples etapas, considere materiales suplementarios o una presentaciรณn 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, versiรณn(es) y fecha(s) de uso. b) El propรณsito del uso de IA y quรฉ partes del proceso de sรญntesis de evidencia se vieron afectadas. Citar o referenciar la guรญa de uso o describir cรณmo se empleรณ la IA, incluidas las modificaciones aplicadas. c) La justificaciรณn para usar IA, incluida la evidencia de que el sistema o herramienta de IA es metodolรณgicamente sรณlida y no socavarรก la confianza o la fiabilidad de la sรญntesis o de sus conclusiones (p. ej., citando o referenciando evaluaciones de desempeรฑo que detallen el impacto de errores, limitaciones y generalizaciรณn), y cรณmo se ha validado (y pilotado, si procede) para asegurar que es apropiada en el contexto de la sรญntesis especรญfica. Siempre que sea posible y prรกctico, poner a disposiciรณn pรบblica y gratuita las entradas (p. ej., desarrollo de prompts), salidas, conjuntos de datos y cรณdigo (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 sรญntesis respecto del sistema o herramienta de IA, junto con las fuentes de financiaciรณn del propio sistema o herramienta de IA. e) Cualesquiera limitaciones del uso de IA en los procesos de la revisiรณn, incluidos sesgos potenciales. Comentar el impacto potencial de cada limitaciรณn.
Garantizar el cumplimiento de estรกndares รฉticos, legales y normativos al usar IA
Asegรบrese de cumplir los estรกndares รฉticos, legales y normativos al aplicar IA en su sรญntesis. Por ejemplo, tenga en cuenta cuestiones relacionadas con plagio, procedencia, derechos de autor, propiedad intelectual, jurisdicciรณn y licencias; y con la confidencialidad, el cumplimiento normativo y las responsabilidades de privacidad, incluidas las leyes de protecciรณn de datos.
Conclusiรณn
RAISE no frena la innovaciรณn: la encauza. La guรญa RISE establece un hito esencial en la evoluciรณn de la sรญntesis de evidencia cientรญfica. Al definir principios claros para el empleo responsable de la inteligencia artificial, RISE no pretende restringir la innovaciรณn, sino orientarla para preservar y robustecer los valores intrรญnsecos de la investigaciรณn rigurosa.
El futuro de la sรญntesis de evidencia serรก, ineludiblemente, mรกs automatizado. No obstante, con RISE como pauta, serรก tambiรฉn mรกs responsable, transparente y fiable. Los investigadores que adopten estos principios no solo utilizarรกn herramientas poderosas de forma รฉtica, sino que contribuirรกn a edificar un ecosistema de investigaciรณn mรกs sรณlido y digno de confianza para las generaciones futuras.
Bibliografรญa
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/.
La inteligencia artificial (IA)โy, en particular, los modelos de lenguaje (LLMs)โya estรกn ayudando a hacer revisiones sistemรกticas (RS) mรกs rรกpidas y manejables, pero aรบn no pueden reemplazar el juicio experto ni los mรฉtodos sistemรกticos consolidados. A continuaciรณn resumo quรฉ funciona, quรฉ no, y cรณmo implantarlo con garantรญas.
Quรฉ dice la evidencia mรกs reciente sobre LLMs
Una revisiรณn de alcance (n=196 informes; 37 centrados en LLMs) encontrรณ que los LLMs ya se usan en 10 de 13 pasos de la RS (sobre todo bรบsqueda, selecciรณn y extracciรณn). GPT fue el LLM mรกs comรบn. La mitad de los estudios calificรณ su uso como prometedor, un cuarto neutral y un quinto no prometedor. La bรบsqueda fue, con diferencia, el paso mรกs cuestionado; en RoB la concordancia con humanos fue solo ligera a aceptable (Lieberum JL, etย al. 2024).
ยฟDรณnde aporta mรกs (hoy) la IA?
La IA acelera y prioriza (especialmente en el cribado), pero no sustituye la bรบsqueda sensible, la evaluaciรณn del sesgo ni el juicio experto.
1) Cribado (tรญtulos/resรบmenes y, con matices, texto completo)
Aprendizaje activo para priorizar lo relevante primero: Ayudar al revisor humano a reordenar los artรญculos para presentar primero los mรกs relevantes (aprendizaje activo). ASReview y SWIFT ActiveScreener alcanzaron recall altos en tรญtulos/resรบmenes (96,48% y 97,89%, respectivamente) y redujeron el number needed to read (NNR). En texto completo, Covidence y SWIFT obtuvieron recall100% con precisiรณn cercana al 50%, รบtil para priorizar sin suprimir la revisiรณn humana.
Su uso en la primera fase del cribado frente al tรญtulo/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 artรญculos deben cribarse para garantizar que no se pierda nada, a pesar de la precisiรณn de la IA
La implicaciรณn 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) Extracciรณn de datos (modo asistido)
LLMs y asistentes tipo ChatGPT/Elicit/SciSpace pueden pre-rellenar tablas (autor, aรฑo, muestra, intervenciรณnโฆ), pero la concordancia varรญa del 0% al 100% segรบn el campo, y entre herramientas la fiabilidad puede ser baja-moderada; exige verificaciรณn por dos extractores humanos.
La extracciรณn de datos es una de las fases del proceso de RS mรกs frecuentemente abordadas por estudios sobre LLMs (Modelos de Lenguaje Grande). La IA puede identificar y extraer informaciรณn clave, como el diseรฑo del estudio, los resultados, o el tema principal de un artรญculo, lo que potencialmente minimiza el error humano y reduce el esfuerzo manual3. Dado que la extracciรณn de datos, junto con el cribado, es una de las partes que mรกs 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 aรบn no estรก lista para reemplazar la extracciรณn manual y presenta importantes fallas de fiabilidad.
3) Apoyo metodolรณgico y redacciรณn
Buen rendimiento para ideaciรณn de la pregunta, PICO, sinรณnimos y borradores de cadenas booleanas (que un especialista debe validar). En redacciรณn, los LLMs ayudan a esqueletos de mรฉtodos/discusiรณn y a preparar sรญntesis narrativas con control experto.
ยฟDรณnde no conviene delegar (aรบn)?
A) Bรบsqueda bibliogrรกfica โend-to-endโ: rol de apoyo y supervisiรณn humana
El debate en torno al uso de la Inteligencia Artificial (IA) en la fase de Bรบsqueda en las Revisiones Sistemรกticas se centra en su prometedor potencial para agilizar tareas especรญficas, contrarrestado por una baja fiabilidad y sensibilidad al intentar reemplazar la metodologรญa de bรบsqueda tradicional, lo que exige una constante supervisiรณn humana.
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, 0โ5%, en parte por cubrir Semantic Scholar y no bases con licencia/tras muro de pago. No sustituyen a MEDLINE/Embase/Scopus/WoS.
Alucinaciones y falta de fiabilidad en las referencias.
Inconsistencia en la Generaciรณn 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 creaciรณn de estrategias de bรบsqueda complejas.
La IA puede utilizarse para identificar tรฉrminos clave para el desarrollo de la estrategia y para tareas generales de alcance.
Es crucial que un bibliotecario experto con conocimientos en metodologรญa de revisiรณn valide la estrategia generada por la IA y la edite manualmente, ya que las estrategias generadas por ChatBots podrรญa comprometer los resultados. Se requieren habilidades de prompt engineering para optimizar el rendimiento de la IA en tareas de recuperaciรณn de informaciรณn.
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 Evaluaciรณn de Calidad o Riesgo de Sesgo (RoB) de las Revisiones Sistemรกticas (RS), se centra en su pobre fiabilidad inter-evaluador (poor inter-rater reliability) y sus limitaciones metodolรณgicas, lo que las hace actualmente inadecuadas para reemplazar la evaluaciรณn humana.
C) Extracciรณn desde tablas/figuras complejas
Los LLMs fallan mรกs cuando los datos estรกn en tablas/figuras o mal estructurados; se necesita lectura experta y herramientas especรญficas de tablas.
Flujo recomendado: IA-asistida, humano en el bucle
Riesgos (y cรณmo mitigarlos)
Alucinaciones y referencias falsas โ Verificar DOI/PMID y cotejar con texto original.
Reproducibilidad inestable (prompts/temperatura) โ Guardar prompts, fijar parรกmetros, usar corpus cerrado (RAG) cuando sea posible.
Recuerda:
Bibliografรญa
Kowalczyk P. Can AI Review the Scientific Literaure? Nature. 2024;635:276-8, doi: 10.1038/d41586-024-03676-9.
Lieberum J-L., Tรถws 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 โ a scoping review. 2024, doi: 10.1101/2024.12.19.24319326.
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.
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.
El resumen es, a menudo, la รบnica parte de un artรญculo que muchos lectores llegan a consultar. Es la primera puerta de entrada para investigadores, clรญnicos, revisores y facilita la comprensiรณn rรกpida de los objetivos, mรฉtodos y resultados principales de un estudio. Pero ademรกs cumple un papel esencial en la recuperaciรณn de informaciรณn: en bases de datos y motores de bรบsqueda -especialmente si no disponen de tesauro- las bรบsquedas se realizan fundamentalmente en los campos de tรญtulo y resumen, y no en el texto completo de los artรญculos. Esto significa que, si los conceptos clave del estudio no estรกn descritos de forma clara y completa en el resumen, es probable que el artรญculo no sea recuperado en una bรบsqueda bibliogrรกfica, aunque sea muy relevante para la pregunta de investigaciรณn.
La calidad del resumen no solo es importante para que los lectores comprendan el estudio, sino tambiรฉn para que el artรญculo sea recuperable y visible en las bรบsquedas bibliogrรกficas.
En un contexto donde cada vez se publican mรกs artรญculos, los resรบmenes no solo son leรญdos por personas, sino tambiรฉn procesados por herramientas automรกticas de cribado y algoritmos de inteligencia artificial que ayudan en la selecciรณn de estudios para revisiones sistemรกticas.
Un artรญculo reciente publicado en el Journal of Clinical Epidemiology (Write Your Abstracts Carefully โ The Impact of Abstract Reporting Quality on Findability by Semi-Automated Title-Abstract Screening Tools, Spiero et al., 2025) demuestra con claridad esta idea:
Resรบmenes de mayor calidad (medidos con los criterios TRIPOD) son mรกs fรกciles de identificar como relevantes por herramientas de cribado semiautomatizado.
El uso de subapartados en resรบmenes estructurados tambiรฉn aumenta la probabilidad de que los artรญculos sean detectados.
En cambio, aspectos como la longitud del resumen o la variaciรณn terminolรณgica no influyen en la capacidad de las herramientas para identificar artรญculos relevantes.
ยฟPor quรฉ es importante esto?
Porque si los resรบmenes estรกn mal redactados, los estudios relevantes pueden pasar desapercibidos, lo que introduce sesgo de selecciรณn en las revisiones sistemรกticas, y debilita la calidad de la sรญntesis de la evidencia.
Implicaciones prรกcticas
Para los autores de los artรญculos:
Redactar resรบmenes completos, claros y estructurados, siguiendo las guรญas de reporte, aumenta la visibilidad de sus estudios en revisiones sistemรกticas.
Una mala calidad de resumen puede traducirse en menor probabilidad de ser incluido en sรญntesis de evidencia, incluso si el estudio es relevante.
Para los equipos de revisiones sistemรกticas:
Deben ser conscientes de que los algoritmos de cribado dependen de la calidad del resumen: resรบmenes pobres pueden ser omitidos por las herramientas.
Es recomendable mantener estrategias de bรบsqueda amplias y sensibles, y vigilar el posible sesgo por omisiรณn de estudios relevantes con resรบmenes deficientes.
Documentar esta limitaciรณn metodolรณgica en los protocolos y discusiones de las revisiones.
Para los bibliotecarios:
Al apoyar en bรบsquedas y cribado, conviene alertar sobre el riesgo de sesgo asociado a resรบmenes mal redactados.
Los bibliotecarios pueden desempeรฑar un papel formativo, promoviendo la adhesiรณn a guรญas de reporte (CONSORT, STROBE, TRIPODโฆ) entre investigadores y clรญnicos.
En la prรกctica, esto refuerza el papel del bibliotecario como garante de la calidad metodolรณgica y transparencia en la sรญntesis de la evidencia.
En definitiva, escribir un buen resumen no es solo un ejercicio de comunicaciรณn cientรญfica: es una garantรญa de visibilidad, accesibilidad y rigor cientรญfico.
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.
En la literatura cientรญfica se habla mucho de cรณmo implementar prรกcticas basadas en la evidencia, pero mucho menos de cรณmo desimplementar aquellas que han demostrado ser ineficaces o incluso daรฑinas.
Las prรกcticas de bajo valor se consideran una fuente de โdesperdicioโ en los sistemas sanitarios: en EE. UU., se calcula que la atenciรณn de bajo valor supone entre 75 y 100 mil millones de dรณlares al aรฑo. La desimplementaciรณn no es simplemente โdejar de hacer algoโ, sino un proceso activo que requiere superar barreras culturales, organizativas y de expectativas de pacientes y profesionales. Al igual que la implementaciรณn de prรกcticas de alto valor, la desimplementaciรณn es lenta: el artรญculo muestra que pueden pasar de 4 a 16 aรฑos hasta lograr una reducciรณn del 50 % en el uso de ciertas pruebas.
Un reciente artรญculo 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 oncolรณgicos 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 artรญculo revisa el tiempo necesario para la desimplementaciรณn de prรกcticas de cribado oncolรณgico de bajo valor en EE. UU. (clasificadas como Grade D por la USPSTF). Se estudian seis prรกcticas: cribado de cรกncer cervical en <21 y >65 aรฑos, cribado de prรณstata en โฅ70 aรฑos, y cribados de ovario, tiroides, testรญculo y pรกncreas en adultos asintomรกticos.
Lo que muestra el estudio
En el caso del cribado de cรกncer de cuello uterino:
en mujeres menores de 21 aรฑos, se tardaron solo 4 aรฑos en reducir su uso a la mitad.
en mayores de 65 aรฑos, la desimplementaciรณn llevรณ 16 aรฑos.
En el cribado de prรณstata en varones โฅ70 aรฑos, mรกs de una dรฉcada despuรฉs de publicarse las guรญas, aรบn no se ha alcanzado la reducciรณn del 50 %.
Para otros cribados (ovario, tiroides, testรญculo, pรกncreas), la falta de datos fiables impide conocer el tiempo de desimplementaciรณn.
Barreras para la desimplementaciรณn
Deficiente diseminaciรณn de la evidencia: los hallazgos que muestran la ineficacia o los daรฑos de ciertas prรกcticas no siempre llegan de manera efectiva a los profesionales.
Normas y hรกbitos arraigados: la inercia clรญnica y la prรกctica establecida dificultan abandonar procedimientos habituales.
Resistencia al cambio: tanto de profesionales como de pacientes, que pueden percibir la retirada de una prรกctica como pรฉrdida de calidad en la atenciรณn.
Confusiรณn y escepticismo: los cambios frecuentes en las guรญas clรญnicas 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 presiรณn sobre los mรฉdicos para mantenerlos.
Necesidad de atenciรณn personalizada y decisiรณn compartida: en algunos casos puede justificarse un uso selectivo de la prรกctica en pacientes concretos, lo que complica su retirada universal.
Consecuencias no deseadas de la desimplementaciรณn:
reducciรณn de ingresos en el sistema sanitario,
utilizaciรณn inapropiada de otras prรกcticas,
pรฉrdida de confianza por parte de los pacientes.
Conclusiones
Retirar de forma sistemรกtica el cribado oncolรณgico de bajo valor podrรญa 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 atenciรณn sanitaria y aumentar la eficiencia de los sistemas de salud.
Si implementar lo nuevo ya es lento (de media 15 aรฑos para que una innovaciรณn llegue al 50 % de uso), abandonar lo que no funciona puede ser aรบn mรกs difรญcil y desigual. De ahรญ la importancia de contar con estrategias activas de desimplementaciรณn, sistemas de monitorizaciรณn sรณlidos y profesionales de la salud comprometidos con la mejora continua.
Bibliografรญa
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.ย
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.ย
Khan S , Chambers D , Neta G . Revisiting time to translation: implementation of evidence-based practices (EBPs) in cancer control. Cancer Causes Control 2021;32:221โ30. doi:10.1007/s10552-020-01376-z
La inteligencia artificial estรก irrumpiendo con fuerza en la sรญntesis 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, etย 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 artรญculo tuvo como objetivo evaluar el potencial de herramientas de bรบsqueda basadas en inteligencia artificial (Lens.org, SpiderCite y Microsoft Copilot) para apoyar la sรญntesis de evidencia vs. mรฉtodos de bรบsqueda tradicionales y establecer recomendaciones de implementaciรณn bajo un enfoque โfit for purposeโ, es decir, utilizar cada herramienta solo para tareas especรญficas donde aporten valor. Se evaluaron siete proyectos completados en la agencia, aplicando bรบsquedas de referencia (mรฉtodo tradicional) frente a bรบsquedas con cada herramienta de IA. Se midieron sensibilidad/recall, nรบmero necesario a leer (NNR), tiempo de bรบsqueda y cribado, y contribuciones รบnicas de cada herramienta. Ademรกs, se recogiรณ experiencias de los especialistas en informaciรณn sobre usabilidad, limitaciones y sorpresas en el uso de los tres sistemas.
Resultados
Mรฉtodo / Herramienta
Sensibilidad promedio
Diferencias entre proyectos simples y complejos
NNR (nรบmero necesario a leer)
Tiempo de bรบsqueda
Observaciones principales
Mรฉtodos tradicionales
0.98 โ 1 (casi perfecta)
Consistentemente alta en todos los proyectos
Mรกs bajo que IA
2.88 h en promedio
Estรกndar de referencia, mรกxima fiabilidad
Lens.org
0.676
Simples: 0.816 Complejos: 0.6
Mรกs alto que el estรกndar (98 vs 83)
Mayor tiempo (2.25 h, mรกs que Copilot o SpiderCite)
Mejor de las IA, pero menos eficiente; รบtil en bรบsquedas simples y de autores
SpiderCite
0.23 โ 0.26
Similar en simples y complejos
Variable (Cited by mejor que Citing)
~1.25 h
Muy baja sensibilidad, pero puede aportar referencias รบnicas en temas complejos; solo รบtil como complemento
Copilot
0.24 (muy variable: 0โ0.91 segรบn proyecto)
Simples: 0.41 Complejos: 0.15
Muy variable (mejor en simples, muy alto en complejos)
Mรกs rรกpido (0.96 h promedio)
Dependiente de la calidad de los prompts; no sustituye estrategias, รบtil para sugerir palabras clave
Sensibilidad = proporciรณn de estudios relevantes efectivamente recuperados. NNR = nรบmero necesario a leer; cuanto menor, mejor eficiencia de cribado.
Verde = mejor desempeรฑo relativo. Amarillo = intermedio / aceptable. Rojo = dรฉbil. Naranja = muy variable segรบn proyecto.
Discusiรณn
Las herramientas de IA mostraron rendimiento variable e inconsistente, lo que implica que no pueden reemplazar las bรบsquedas profesionales estรกndar en revisiones sistemรกticas.
Pueden generar falsa confianza en usuarios sin experiencia. Se requiere conocimiento experto en construcciรณn de estrategias y en validaciรณn de resultados para corregir limitaciones.
Limitaciones del estudio: solo se evaluaron 7 proyectos y 3 herramientas, sin analizar combinaciones entre ellas
Recomendaciones de implementaciรณn
La CDA-AMC propuso un uso limitado y estratรฉgico:
Lens.org: รบtil para revisiones con preguntas acotadas y tรฉcnicas (como dispositivos con una funciรณn o poblaciรณn bien definida) o para identificar rรกpidamente autores vinculados a un tema o indicaciรณn clรญnica cuando los mรฉtodos estรกndar no alcanzan.
SpiderCite: complemento para bรบsquedas de citas en proyectos complejos, siempre que se disponga de artรญculos semilla.
Copilot (u otros LLMs): apoyo en la generaciรณn de palabras clave y tรฉrminos de bรบsqueda, pero no para estrategias completas
Conclusiรณn
Las tres herramientas evaluadas (Lens.org, SpiderCite, Copilot) no son adecuadas para reemplazar estrategias de bรบsqueda complejas en revisiones sistemรกticas, debido a variabilidad en sensibilidad y precisiรณn. Sin embargo, tienen potencial como apoyos puntuales en tareas especรญficas: generaciรณn de tรฉrminos, bรบsquedas simples o de citas, y exploraciรณn preliminar. El estudio subraya la necesidad de mantener el papel central del bibliotecario/experto en informaciรณn en la validaciรณn de cualquier resultado generado con IA, y de continuar monitorizando nuevas herramientas dada la rรกpida evoluciรณn tecnolรณgica.
Reflexiones para quienes trabajamos en bibliotecas mรฉdicas
Las herramientas de IA pueden ahorrar tiempo en fases preliminares, generar ideas de tรฉrminos de bรบsqueda, identificar autores, pero no deben utilizarse como รบnica estrategia para revisiones sistemรกticas si se espera exhaustividad.
Es clave entender los lรญmites: sensibilidad menor, posible sesgo en lo que captura IA, variabilidad segรบn prompt o segรบn lo cerrado o amplio que sea el tema.
Siempre debe haber validaciรณn humana experta, verificaciรณn de resultados รบnicos que aparezcan en IA, comparaciรณn con lo recuperado por mรฉtodos tradicionales.
