Revisiones sistemáticas

Registros de ensayos clínicos en revisiones sistemáticas: guía de búsqueda y gestión

Los registros de ensayos clínicos permiten identificar estudios en curso, no publicados o interrumpidos, pero también plantean problemas de deduplicación, vinculación y análisis. Esta guía explica cómo buscarlos, gestionarlos e incorporarlos correctamente a una revisión sistemática.

Introducción

Las bases de datos bibliográficas, como MEDLINE o Embase, recuperan principalmente documentos publicados. Los registros de ensayos clínicos permiten localizar los estudios desde su inicio, incluidos ensayos en curso, finalizados pero no publicados, interrumpidos o con resultados disponibles únicamente en el propio registro.

Su utilidad no termina en la búsqueda. Los registros también 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 debería considerarse una tarea complementaria menor, sino una parte planificada de las revisiones sistemáticas de intervenciones.

Esta guía explica por qué, dónde y cómo buscar, pero también qué hacer con los registros recuperados: cómo deduplicarlos, vincularlos con sus publicaciones, clasificarlos, incorporarlos a la síntesis y notificarlos de forma transparente.

Antes de empezar: el estudio no es el documento.

La distinción metodológica más importante es la que existe entre estudio, registro, informe y resultado.

Concepto	Qué representa	Ejemplo
Estudio o ensayo	La investigación realizada con un grupo definido de participantes	Ensayo aleatorizado que compara albúmina con cristaloides
Registro	Ficha electrónica que describe el ensayo en un registro público	NCT04356859 en ClinicalTrials.gov
Informe del estudio	Cualquier documento que aporta información sobre el ensayo	Artículo, protocolo, resumen de congreso, informe regulatorio o registro
Resultado	Estimación correspondiente a un desenlace, momento y análisis concretos	Riesgo relativo de mortalidad a los 28 días

Un único 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 artículo principal y varias publicaciones secundarias.

Todos estos documentos deben agruparse bajo un único identificador de estudio. Si el registro y el artículo se tratan como dos estudios independientes, existe el riesgo de contar dos veces a los mismos participantes y sesgar la síntesis o el metanálisis. El Manual Cochrane establece que el estudio y no cada uno de sus informes debe constituir la unidad de interés de la revisión (1-2).

¿Qué aportan realmente las búsquedas en registros?

Los registros de ensayos clínicos pueden ayudar a:

Identificar ensayos en curso o todavía no publicados.
Localizar ensayos finalizados, interrumpidos o retirados.
Obtener resultados no disponibles en artículos científicos.
Encontrar protocolos, planes de análisis, modificaciones y publicaciones relacionadas.
Comparar los desenlaces planificados con los finalmente publicados.
Estimar la cantidad de evidencia elegible cuyos resultados no están disponibles.
Valorar el posible sesgo de publicación o de notificación selectiva.
Planificar cuándo debería actualizarse la revisión.

La evidencia empírica permite matizar su rendimiento. En una muestra de 117 revisiones sistemáticas publicadas en revistas médicas generales, solo 41 (el 35 %) declararon haber buscado en algún 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 búsquedas en registros para 101 revisiones que no los habían 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 metaanálisis. Su incorporación no modificó, en promedio, las estimaciones combinadas, aunque sí mejoró 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 únicamente por su capacidad para cambiar el resultado numérico de un metaanálisis. También aportan información sobre la integridad, transparencia y vigencia del conjunto de evidencia.

Paso 1. Planificar la búsqueda

Qué registros se consultarán y por qué.
Qué conceptos y términos se buscarán.
Qué interfaces, campos, límites o filtros se utilizarán.
Cómo se exportarán y conservarán los resultados.
Cómo se deduplicarán los registros.
Cómo se identificarán registros múltiples del mismo ensayo.
Cómo se vincularán con protocolos y publicaciones.
Cómo se tratarán los ensayos en curso, interrumpidos o sin resultados.
Qué fuentes se priorizarán si existen datos discrepantes.
Sí se contactará con investigadores o promotores.
Cuándo se actualizarán las búsquedas.

Esta planificación reduce el riesgo de tomar decisiones condicionadas por la dirección o disponibilidad de los resultados y se alinea con las recomendaciones destinadas a reducir el sesgo de diseminación (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 recuperación no es necesariamente idéntica y ClinicalTrials.gov proporciona funcionalidades adicionales, entre ellas la consulta detallada de resultados, publicaciones relacionadas y versiones anteriores del registro (2-6).

Fuente	Características y cobertura	Consideraciones metodológicas
ClinicalTrials.gov	Registro internacional de gran tamaño, especialmente útil para estudios farmacológicos, dispositivos y ensayos con participación estadounidense.	Debe buscarse directamente, aunque sus registros también se transfieran al ICTRP.
WHO ICTRP	Portal que reúne datos procedentes de registros primarios de numerosos países y regiones.	Amplía la cobertura geográfica y agrupa, cuando los identifica, registros múltiples del mismo ensayo.
CTIS	Ensayos clínicos de medicamentos tramitados en la Unión Europea y el Espacio Económico Europeo bajo el Reglamento europeo vigente.	Especialmente relevante cuando la revisión incluye medicamentos investigados en Europa.
EU Clinical Trials Register	Ensayos gestionados bajo la normativa europea anterior y determinados ensayos pediátricos	Continúa siendo relevante para estudios históricos anteriores a CTIS.
Registros nacionales o regionales	ANZCTR, ChiCTR, CTRI, DRKS, ISRCTN y otros.	Deben añadirse cuando la intervención, población o contexto geográfico lo justifique.
Registros especializados	Registros centrados en determinadas enfermedades, intervenciones o promotores.	Útiles 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. Además, intenta agrupar las inscripciones múltiples correspondientes al mismo ensayo. Sin embargo, un metarregistro no elimina necesariamente la necesidad de consultar directamente determinadas fuentes (7).

En Europa debe prestarse atención a la transición entre el EU Clinical Trials Register y CTIS (información oficial de la EMA sobre el Reglamento y CTIS). Desde el 31 de enero de 2023, todas las nuevas solicitudes de ensayos clínicos en la Unión Europea y el Espacio Económico Europeo deben presentarse mediante CTIS. Desde el 31 de enero de 2025, el Reglamento (UE) n.º 536/2014 es plenamente aplicable y los ensayos que continuaban bajo la Directiva anterior debían haberse transferido al nuevo sistema. El EU Clinical Trials Register sigue siendo necesario para recuperar información sobre ensayos tramitados conforme al marco normativo anterior (8).

Para una revisión sistemática exhaustiva de intervenciones, el planteamiento adecuado sería:

Buscar en CENTRAL, MEDLINE y Embase, cuando esté disponible, para localizar informes publicados, resúmenes 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 únicamente en el registro.
Añadir CTIS, EU Clinical Trials Register u otros registros nacionales o especializados cuando la intervención, el periodo o el ámbito geográfico 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

¿Basta con buscar en CENTRAL o Embase?

No. Aunque ambas bases incorporan actualmente registros procedentes de ClinicalTrials.gov —y CENTRAL también registros procedentes de WHO ICTRP—, una búsqueda en ellas no debe considerarse equivalente a la consulta directa de los registros originales (2,6,9).

La recomendación metodológica no consiste en buscar en ClinicalTrials.gov o WHO ICTRP en lugar de CENTRAL o Embase. Las bases bibliográficas 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: artículos, resúmenes de congresos y otros documentos.
ClinicalTrials.gov y WHO ICTRP permiten identificar los ensayos registrados, con independencia de que hayan generado una publicación.

¿Qué evidencia existe?

Banno y colaboradores evaluaron si CENTRAL podía sustituir las búsquedas en ClinicalTrials.gov e ICTRP. De 247 registros de ensayos en curso o no publicados incluidos en 50 revisiones Cochrane, CENTRAL recuperó 200 y no identificó 47. La sensibilidad fue del 81 % (intervalo de confianza del 95 %: 76-85 %) (11).

El estudio utilizó búsquedas realizadas en 2019, por lo que ese porcentaje no debe extrapolarse directamente al CENTRAL actual. Sin embargo, la edición vigente del Manual Cochrane continúa señalando que las búsquedas directas en ClinicalTrials.gov e ICTRP pueden localizar registros e información no identificables en CENTRAL (2-6).

Otra evaluación demostró la complementariedad de las fuentes. De 81 ensayos finalizados con resultados disponibles, siete se localizaron exclusivamente mediante búsquedas en registros y ocho exclusivamente mediante bases bibliográficas. De los 42 ensayos en curso identificados, 26 (el 62 %) fueron localizados únicamente mediante la búsqueda registral (12). Al tratarse de un estudio de caso sobre una temática determinada, estos porcentajes no son necesariamente generalizables. Sin embargo, muestran que ninguna de las dos aproximaciones identifica por sí sola todos los ensayos.

¿Tienen 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 diseños 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 más 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 países y regiones. Amplía la cobertura más allá de ClinicalTrials.gov y enlaza con los registros originales

¿Tienen la misma finalidad?

La búsqueda bibliográfica responde principalmente a la pregunta: ¿Qué documentos se han publicado sobre este ensayo? La búsqueda en registros responde además a otra pregunta: ¿Qué ensayos se iniciaron, incluidos los que continúan en curso, se interrumpieron o nunca publicaron sus resultados? Esta segunda pregunta es esencial para valorar el sesgo de publicación y la evidencia ausente. Si únicamente se buscan publicaciones, el conjunto localizado puede sobrerrepresentar los estudios con resultados positivos, favorables o estadísticamente significativos.

Paso 3. Traducir la pregunta de revisión a una estrategia específica 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 límites son diferentes.

La guía de Hunter y colaboradores recomienda comenzar con uno o dos conceptos centrales de la pregunta, normalmente la población o condición y la intervención.

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 clínico cuando se busca en un registro dedicado principalmente a estudios clínicos (1).

Paso 4. Documentar y exportar los resultados

Por cada búsqueda debe conservarse:

Nombre del registro.
Dirección web o interfaz empleada.
Modalidad de búsqueda: básica, avanzada o mediante API.
Fecha exacta.
Estrategia copiada tal como fue ejecutada.
Campos consultados.
Filtros o límites.
Número de resultados.
Formato de exportación.
Nombre de la persona que realizó la búsqueda.
Captura de pantalla o copia de la página 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 búsqueda y descarga (8).

Paso 5. Crear un fichero maestro centrado en el estudio

Los registros recuperados pueden gestionarse en una hoja de cálculo, un gestor de referencias, una base de datos o una herramienta de revisión. Sin embargo, debería existir un fichero maestro que permita reconstruir la relación entre estudios y documentos.

Paso 6. Deduplicar en dos niveles diferentes

Primer nivel: registros duplicados

Son copias del mismo registro recuperadas mediante diferentes búsquedas o fuentes. Comparten el mismo identificador, por ejemplo, el mismo número NCT.

Estos duplicados pueden eliminarse conservando la versión más completa y reciente, aunque debe mantenerse la trazabilidad de la fuente mediante la que se recuperaron.

Segundo nivel: registros múltiples 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 información diferente o haberse actualizado en momentos distintos. En lugar de borrar uno de ellos, deben conservarse y agruparse bajo un único identificador interno de estudio.

Paso 7. Vincular los registros con protocolos y publicaciones

No debe confiarse exclusivamente en los enlaces incluidos automáticamente en el registro. Una revisión metodológica comprobó que la vinculación entre registros y publicaciones continúa necesitando búsquedas e inspección manual (14).

El proceso puede organizarse en tres niveles:

Vinculación automática: Revisar las publicaciones y referencias enlazadas en el registro.
Vinculación inferida: Buscar el identificador del ensayo en PubMed, Embase y otros buscadores. Si no aparece, combinar acrónimo, promotor, investigador, intervención, población, tamaño muestral, centros y fechas.
Vinculación mediante consulta: Contactar con investigadores o promotores cuando persistan dudas sobre la identidad del ensayo, su publicación o sus resultados.

Cada ensayo debería disponer de una “familia documental” que agrupe:

Registros primarios y secundarios.
Protocolo.
Plan de análisis estadístico.
Resúmenes de congresos.
Publicación 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 título puede utilizarse para eliminar registros manifiestamente irrelevantes, pero sus títulos suelen ser poco informativos. La decisión final debe adoptarse revisando el registro completo en la plataforma original.

En una revisión sistemática convencional, la selección debería realizarse por dos revisores de forma independiente (2). En una revisión rápida podría justificarse un proceso abreviado, pero debe declararse y valorarse el riesgo de perder estudios.

Paso 9. Incorporar los registros a la síntesis y a la evaluación del sesgo

Si el registro contiene resultados utilizables

Los datos pueden incorporarse a la síntesis narrativa o al metanálisis si:

El ensayo cumple los criterios de elegibilidad.
Los resultados corresponden a los desenlaces y momentos definidos.
Se conocen los denominadores y la población analizada.
Existen datos suficientes para calcular el efecto y su precisión.
No se está duplicando información ya incluida desde otra publicación.
La procedencia y las limitaciones de los datos se notifican claramente.

La ausencia de publicación en una revista no constituye, por sí sola, un motivo para excluir resultados elegibles. Tampoco debe confundirse la falta de revisión por pares con una evaluación formal del riesgo de sesgo.

Si se conoce el ensayo, pero sus resultados no están disponibles

El ensayo no puede aportar una estimación numérica, pero no debe desaparecer de la revisión. Su existencia, tamaño previsto, fecha de finalización y desenlaces registrados ayudan a valorar el riesgo de sesgo debido a evidencia ausente.

Comparación entre planificación y publicación

Para aplicar el dominio de RoB 2 relativo a la selección del resultado comunicado, debe examinarse si el resultado incluido coincide con un plan de análisis definido antes de que los datos estuvieran disponibles.

Un registro retrospectivo o modificado después del análisis no proporciona la misma garantía que un protocolo o registro prospectivo suficientemente detallado (17).

A nivel de la síntesis, ROB-ME permite valorar el riesgo de sesgo debido a estudios completos o resultados concretos ausentes por su significación, magnitud o dirección. La evaluación 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 automáticamente a reducir la certeza de la evidencia. Su importancia dependerá del desenlace afectado, la magnitud de los datos ausentes, la plausibilidad de selección y el posible efecto sobre la estimación.

Paso 10. Actualizar la búsqueda

Los registros cambian: un ensayo en curso puede finalizar, aparecer una publicación, depositarse resultados o modificarse su estado.

En la actualización se debe:

Repetir la estrategia original o justificar sus modificaciones.
Buscar registros nuevos por fecha de registro, dejando un pequeño solapamiento entre periodos.
Revisar nuevamente los registros ya identificados.
Comprobar cambios de estado.
Buscar resultados y publicaciones añadidas.
Actualizar las tablas de estudios en curso y pendientes de clasificación.

La frecuencia debe adaptarse a la velocidad de producción de evidencia. Una revisión viva puede necesitar búsquedas mensuales o trimestrales; una revisión convencional, una actualización próxima al cierre editorial.

Paso 11. Informar siguiendo PRISMA 2020 y PRISMA-S

PRISMA 2020 proporciona diagramas específicos 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 distinción permite que varios registros, protocolos y artículos terminen agrupados como un único estudio (19).

PRISMA-S recomienda informar:

Todos los registros consultados.
Nombre y enlace de cada fuente.
Estrategias completas tal como se ejecutaron.
Fechas de búsqueda.
Límites y filtros, o la ausencia de ellos.
Número de resultados de cada fuente.
Proceso y programas de deduplicación.
Métodos de actualización.
Revisión por pares de la estrategia, si se realizó (20).

También deben citarse los registros de los ensayos incluidos, indicando su identificador y URL estable, igual que se citan los demás informes del estudio (1-2,20).

En conclusión

Buscar en registros de ensayos clínicos no consiste simplemente en añadir otra base de datos a la estrategia bibliográfica. Requiere trabajar con una lógica centrada en el estudio: identificar el ensayo, reunir todos sus registros e informes, reconstruir su evolución y determinar qué información 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 información disponible no son equivalentes a las de los registros originales. La recomendación metodológica no consiste en elegir entre unas fuentes u otras, sino en utilizarlas de manera complementaria.

El error más importante no es solo omitir un ensayo no publicado. También lo es encontrar su registro y tratarlo como si fuera un estudio diferente del artículo que posteriormente comunica sus resultados.

Una gestión adecuada convierte los registros en algo más 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 sistemáticas más transparentes y fiables.

Referencias

Cuando Rayyan no permite asociar un PDF a una referencia ya importada: diagnóstico y solución con ayuda de inteligencia artificial

En una revisión sistemática, el procedimiento habitual consiste en importar primero las referencias bibliográficas recuperadas en las bases de datos, hacer el cribado frente a título 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 está correctamente importada en Rayyan, pero la plataforma no permite adjuntarle determinados PDF creados o modificados por nosotros.

Flujo de trabajo en la importación de los textos completos en una revisión sistemática.

Los documentos se abrían con normalidad en mi ordenador, todas sus páginas eran visibles y no parecían estar dañados. Sin embargo, Rayyan no conseguía procesarlos o asociarlos a la referencia correspondiente.

Una herramienta de inteligencia artificial me ayudó a analizar los archivos, comprender que el problema no estaba en las referencias bibliográficas, sino en la estructura interna de los PDF, y determinar qué transformaciones eran necesarias. También me ayudó 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 habían sido importadas previamente en Rayyan mediante archivos RIS procedentes de las bases de datos o de los registros correspondientes.

El fallo se producía exclusivamente al intentar adjuntar el texto completo a una referencia ya existente.

Aunque la referencia estuviera perfectamente identificada, Rayyan podía rechazar el PDF por sus características técnicas internas.

Casos en los que encontré problemas

1. Artículos unidos a su material suplementario

En mi práctica habitual, cuando un artículo dispone de material suplementario, creo un único documento PDF en el que, al texto completo del artículo, le añado al final el material suplementario.

Este procedimiento resulta útil porque permite conservar conjuntamente toda la documentación necesaria para evaluar si el estudio pasa el segundo screening y para la posterior extracción de datos. Evita, además, que el suplemento quede separado o se pierda durante el proceso de revisión.

Sin embargo, el artículo principal y los suplementos pueden haberse generado con aplicaciones diferentes y presentar:

Versiones distintas del estándar PDF.
Tamaños y orientaciones de página diferentes.
Capas de texto incompatibles.
Fuentes incrustadas de forma distinta.
Anotaciones, formularios o enlaces.
Páginas digitales combinadas con páginas escaneadas., …

Aunque el documento combinado pueda abrirse sin problemas en un lector convencional, internamente puede seguir siendo un archivo heterogéneo. Rayyan puede no procesarlo correctamente y rechazarlo al intentar asociarlo a la referencia.

2. Páginas web impresas o guardadas como PDF

Otro caso frecuente aparece cuando no existe una opción para descargar un PDF y necesitamos conservar el contenido de una página web.

Es habitual en plataformas de registro de ensayos clínicos, 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 página web:

Cabeceras y pies de impresión.
URL y fecha de consulta.
Menús de navegación.
Avisos legales.
Hipervínculos.
Fuentes web.
Elementos ocultos.
Texto dividido en numerosos objetos. …

En algunos de los archivos, el contenido es perfectamente legible, pero no existía una capa de texto extraíble. En otros, el PDF generado por el navegador contiene una estructura que Rayyan no puede procesar correctamente.

3. Suplementos de revistas que incluyen muchos resúmenes de congreso

También encontré problemas con suplementos de revistas que recogen todas las comunicaciones orales y póster de un congreso.

El PDF tiene un PDF único e incluye:

Varios títulos.
Diferentes grupos de autores.
Distintos números de resumen.
Información correspondiente a varios estudios.

Aunque solo necesitaba asociar uno de los resúmenes, el archivo contenía varias referencias potenciales. En este caso fue necesario recortar la página y generar un PDF nuevo que incluyera únicamente el resumen pertinente.

4. PDF sin texto extraíble o con una capa defectuosa

En otros documentos, el texto era visible, pero no podía seleccionarse o buscarse. En algunos casos, al copiarlo aparecían caracteres desordenados o ilegibles.

Esto puede ocurrir cuando:

El documento está formado por imágenes.
La codificación 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 digitalización o conversión deficiente.

Añadir 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.

Cómo me ayudó la inteligencia artificial

La inteligencia artificial tuvo un papel práctico en varias fases del proceso.

Análisis del problema. La primera aportación fue ayudarme a diferenciar entre un problema bibliográfico y un problema técnico del PDF. La herramienta de inteligencia artificial me ayudó a determinar que no bastaba con aplicar OCR o guardar de nuevo el documento. En los casos problemáticos fue necesario realizar una combinación de operaciones:
- Reconstruir el PDF.
- Homogeneizar las páginas.
- Eliminar estructuras internas innecesarias.
- Recortar contenido no pertinente.
- Aplicar OCR cuando era necesario.
- Incorporar metadatos básicos.
- Simplificar el nombre del archivo.
Procesamiento de los documentos. En los casos problemáticos fue necesario realizar una combinación de operaciones:
- Reconstruir el PDF.
- Homogeneizar las páginas.
- Eliminar estructuras internas innecesarias.
- Recortar contenido no pertinente.
- Aplicar OCR cuando era necesario.
- Incorporar metadatos básicos.
- Simplificar el nombre del archivo.
- Procesar los archivos y generar nuevas versiones técnicamente más sencillas. De esta forma se eliminaron o neutralizaron muchos elementos que podían causar incompatibilidades, como, por ejemplo, capas defectuosas.

Después se incorporó 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 procedía, normalizar sus metadatos y cambiar el nombre del archivo.

Controles necesarios después del procesamiento

La utilización de inteligencia artificial no elimina la necesidad de revisión humana. Después de generar cada PDF comprobé:

Que estaban todas las páginas.
Que se había respetado el orden original.
Que no se había eliminado contenido relevante.
Que el artículo y el suplemento estaban completos.
Que el OCR no modificaba la imagen visible.
Que el título y el identificador eran correctos.
Que el archivo podía abrirse.
Que el PDF se asociaba a la referencia adecuada.

Conclusión

Cuando Rayyan no permite asociar un texto completo, el problema no siempre está en la plataforma ni en la referencia bibliográfica. Con frecuencia se encuentra en la estructura interna del PDF.

Esto puede suceder especialmente con:

Artículos unidos a su material suplementario.
Páginas web impresas o guardadas como PDF.
Suplementos de revistas con varios resúmenes.
PDF con capas de texto defectuosas.

En esta experiencia, la inteligencia artificial me ayudó a comprender qué estaba ocurriendo, identificar una solución técnica y procesar los documentos hasta obtener archivos compatibles con Rayyan.

La inteligencia artificial fue, en este caso, una herramienta de apoyo técnico. Permitió diagnosticar y resolver un problema que no era evidente al abrir los documentos, pero la comprobación final de la integridad, correspondencia y fidelidad de los PDF siguió siendo responsabilidad de la persona que realizaba la revisión.

Búsqueda bibliográfica y tipos de revisión: una guía para elegir la estrategia adecuada

Cuando hablamos de revisiones de la literatura, es frecuente asumir que todas requieren una búsqueda exhaustiva en numerosas bases de datos. Sin embargo, la realidad metodológica es más compleja. La estrategia de búsqueda debe responder al objetivo de la revisión, a la pregunta de investigación, 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 intervención, identificar lagunas de conocimiento o mantener actualizada una síntesis de evidencia. Aunque todas estas finalidades requieren localizar y seleccionar información, difieren en el grado de exhaustividad, la estructura de la búsqueda, las fuentes consultadas y los procedimientos de actualización.

La búsqueda varía según el objetivo de la revisión: describir, integrar, mapear, sintetizar, resumir revisiones previas o mantener la evidencia actualizada.

La tabla que acompaña esta entrada resume estas diferencias y muestra cómo cambian la planificación, las fuentes consultadas, la sensibilidad de la estrategia y el grado de reproducibilidad exigido.

Principales diferencias en la planificación y ejecución de la búsqueda bibliográfica según el tipo y la modalidad de revisión.

De la búsqueda narrativa a la búsqueda sistemática: distintos grados de estructuración y reproducibilidad

En una revisión narrativa, la selección de las fuentes suele depender en gran medida del criterio de los autores. La búsqueda puede ser flexible y no siempre se documenta de forma suficiente para que otras personas puedan reproducirla. Este enfoque puede resultar útil para introducir un tema, explicar conceptos o presentar una perspectiva experta, pero ofrece menos garantías frente al sesgo de selección.

La revisión integrativa requiere una búsqueda más planificada y transparente. Su particularidad es que puede reunir estudios cuantitativos y cualitativos, documentos teóricos y literatura gris. Por ello, debe contemplar fuentes y estrategias capaces de identificar diseños muy diferentes.

En el extremo de mayor estructuración se encuentra la revisión sistemática. Su búsqueda parte de una pregunta, formulada habitualmente mediante PICO u otro marco equivalente, y de unos criterios de elegibilidad establecidos previamente. Debe identificar de forma sistemática los estudios relevantes, combinar varias bases de datos y métodos complementarios —como la búsqueda de literatura gris, el rastreo de citas o la revisión de referencias— y documentar íntegramente las estrategias utilizadas. Cochrane subraya que la búsqueda debe ser sistemática, exhaustiva dentro de lo razonable y reproducible.

Las búsquedas no se realizan igual en todos los tipos de revisión y que existe una transición desde enfoques más flexibles hacia otros más planificados, transparentes y reproducibles.

Mapear la evidencia no es lo mismo que estimar un efecto

Una revisión de alcance o un mapa de evidencia pregunta, por ejemplo: «¿Qué evidencia existe, cómo se distribuye y qué lagunas presenta?». Una revisión de efectividad pregunta: «¿Cuál es el efecto de una intervención, comparada con una alternativa, sobre unos resultados determinados?».

La revisión de alcance o scoping review busca conocer qué evidencia existe, cómo se ha investigado un tema, qué conceptos se utilizan y dónde se encuentran las principales lagunas de conocimiento.

Su pregunta suele ser amplia y se estructura frecuentemente mediante el marco PCC: población, concepto y contexto. En las revisiones de alcance puede ser necesario ampliar la diversidad de fuentes y vocabularios para captar distintos diseños, contextos y formas de publicación. No pretende necesariamente calcular un efecto, sino elaborar un mapa descriptivo de la literatura disponible.

En las revisiones de efectividad, la búsqueda suele organizarse a partir de los conceptos de la pregunta y debe optimizar la identificación de los diseños de estudio elegibles sin introducir restricciones injustificadas.

Una revisión 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 análisis, cambia también la búsqueda

La unidad de análisis es el tipo de objeto que la revisión pretende localizar y sintetizar: estudios primarios, revisiones, documentos, conceptos, intervenciones, experiencias, políticas o conjuntos de evidencia. Cuando cambia la unidad de análisis, cambian también las fuentes de información, los términos de búsqueda, los criterios de elegibilidad y los procedimientos de selección.

En una revisión paraguas, los documentos que se buscan no son estudios primarios, sino revisiones sistemáticas y metaanálisis. Esto obliga a emplear términos y filtros específicos para identificar síntesis de evidencia y a consultar recursos especializados. Además, debe prestarse atención al posible solapamiento de estudios primarios entre las revisiones incluidas.

Las síntesis cualitativas buscan experiencias, percepciones, significados y fenómenos humanos. La recuperación puede resultar especialmente compleja porque los estudios cualitativos presentan una terminología variable y una indexación menos consistente. Por ello, suelen combinarse bases de datos biomédicas y sociales —como MEDLINE, CINAHL o PsycINFO— con rastreo de referencias, búsqueda de citas, literatura gris y consulta a expertos.

Cuando cambia la unidad de análisis, cambia también la búsqueda.

En las revisiones de métodos mixtos deben localizarse simultáneamente evidencias cuantitativas y cualitativas. Puede diseñarse una búsqueda amplia y sensible para ambos componentes o desarrollar estrategias independientes que posteriormente confluyan en una síntesis integrada o segregada.

Revisiones rápidas y revisiones vivas: dos modalidades de ejecución y actualización

Conviene diferenciar los tipos de revisión de sus modalidades de ejecución. Las revisiones rápidas y las revisiones vivas pueden entenderse como modalidades de ejecución y actualización de una revisión. No son categorías definidas por el tema estudiado, sino enfoques relacionados con el tiempo disponible, la frecuencia de actualización y la organización del proceso de revisión.

Las revisiones rápidas responden a la necesidad de producir una síntesis en un plazo limitado. Para ello, pueden simplificar determinados procedimientos de la revisión, como el número de fuentes consultadas, la amplitud de la búsqueda, la selección por duplicado, la extracción de datos o ciertos procesos de síntesis. Estas decisiones deben estar justificadas, documentadas y acompañadas de una valoración de sus posibles efectos sobre la exhaustividad y el riesgo de sesgo.

Las revisiones vivas, por el contrario, se diseñan para mantenerse actualizadas. Parten de una revisión sistemática y establecen mecanismos periódicos o continuos para identificar nueva evidencia, evaluarla e incorporarla cuando pueda modificar las conclusiones. La automatización puede facilitar la vigilancia y la priorización de registros, pero no sustituye la supervisión metodológica. Una revisión viva debe mantener los estándares metodológicos de la revisión sistemática de la que parte.

La revisión rápida adapta el proceso para ganar tiempo; la revisión viva mantiene búsquedas periódicas para evitar que la revisión quede desactualizada; ambas son formas de ejecutar la revisión y la búsqueda, no categorías temáticas.

Una búsqueda adecuada es la que responde al propósito de la revisión

No existe una única estrategia válida para todas las revisiones. La búsqueda debe diseñarse en función de la pregunta, el propósito de la síntesis, la unidad de análisis, los criterios de elegibilidad, los recursos disponibles y la necesidad de actualización.

La búsqueda debe diseñarse teniendo en cuenta:

Preguntas esenciales para planificar una búsqueda bibliográfica adaptada al tipo de revisión.

En definitiva, una búsqueda de calidad no es necesariamente la que recupera más 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.

Deduplicar referencias en revisiones sistemáticas: elegir herramienta según la prioridad del equipo

La eliminación de duplicados es una tarea aparentemente técnica y secundaria dentro de una revisión sistemática, pero tiene consecuencias metodológicas importantes. Si una herramienta elimina por error un registro único, 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 selección por título y resumen.

Un estudio reciente publicado en Research Synthesis Methods compara la precisión y la velocidad de ocho herramientas de deduplicación: 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 información. Evaluaron tres resultados principales: registros únicos eliminados por error, duplicados retenidos por error y tiempo total de deduplicación.

Resultados principales

El estudio evaluó tres desenlaces principales:

Registros únicos eliminados por error (false positives): registros que la herramienta consideró duplicados, aunque en realidad eran únicos. Es el error más crítico, porque puede hacer desaparecer estudios potencialmente elegibles.
Duplicados retenidos por error (false negatives): duplicados que la herramienta no detectó. Es un problema menor desde el punto de vista metodológico, pero aumenta la carga de cribado.
Tiempo total de deduplicación: incluye tanto el proceso automático como la revisión manual necesaria en algunas herramientas.

Desde el punto de vista metodológico, el desenlace más importante es la eliminación errónea de registros únicos. Un duplicado no eliminado puede detectarse más adelante durante el cribado. En cambio, un registro único eliminado antes del cribado puede desaparecer definitivamente del flujo de selección. En este sentido, Rayyan fue la herramienta más conservadora, con solo dos registros únicos eliminados por error. Sin embargo, este resultado se obtuvo a costa de un tiempo muy elevado de trabajo manual: más de veinte horas en total.

Por otro lado, ASySD fue la herramienta que menos duplicados dejó sin eliminar, pero también la que más registros únicos eliminó erróneamente. SRA Deduplicator: Relaxed fue la más rápida, pero retuvo muchos más duplicados que otras herramientas.

La siguiente tabla integra los resultados principales. En todos los casos, valores más bajos indican mejor rendimiento.

El mensaje más importante del estudio es que ninguna herramienta fue superior en los tres desenlaces. Todas presentaron fortalezas y debilidades.

¿Qué 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 práctica no debería ser “¿cuál es la mejor herramienta?”, sino “qué herramienta se ajusta mejor a las prioridades y recursos de este equipo de revisión”: tiempo disponible, presupuesto, necesidad de revisión manual y tolerancia al riesgo de perder registros únicos.

Para equipos de revisión, bibliotecarios médicos y especialistas en búsquedas, la lección práctica es clara: conviene documentar qué herramienta se utiliza, qué criterios se aplican y qué grado de revisión manual se realiza. La transparencia en la deduplicación forma parte de la calidad metodológica de la revisión.

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.

Protocolo de revisión sistemática: de trámite administrativo a garantía metodológica

Qué es un protocolo, qué decisiones debe preespecificar, dónde puede registrarse o depositarse y qué errores metodológicos conviene evitar.

Esta entrada recoge y desarrolla algunas de las ideas centrales del curso “Protocolo de revisiones sistemáticas: del protocolo como trámite al protocolo como garantía metodológica”, impartido recientemente para BiblioSalud. El material docente de la sesión está depositado en acceso abierto en Zenodo: Campos-Asensio C. Protocolo de revisiones sistemáticas: Del protocolo como trámite al protocolo como garantía metodológica. Zenodo; 2026 May 20. doi:10.5281/zenodo.20307930.

Un protocolo de revisión sistemática no es un requisito burocrático; es el mapa de navegación metodológico que blinda la integridad de la investigación, garantizando la transparencia y previniendo sesgos desde el primer paso.

Sin protocolo, la revisión puede parecer más rápida al principio, pero suele ser menos transparente, menos reproducible y más vulnerable a decisiones improvisadas.

El protocolo es un instrumento esencial para proteger la integridad del proceso de síntesis. Actúa como un mapa de navegación que fija el rumbo antes de que el «ruido» de los datos individuales o los resultados preliminares influyan en las decisiones del equipo. Al establecer una hoja de ruta clara y pública, el protocolo protege la síntesis de pruebas científicas, asegurando que los hallazgos finales sean fiables, creíbles y, por encima de todo, reproducibles por la comunidad científica internacional.

2. ¿Qué es un protocolo de revisión sistemática?

Un protocolo de revisión sistemática es un plan establecido a priori que describe de forma exhaustiva los objetivos, la metodología y el plan de análisis previstos. Según los estándares de la Colaboración Cochrane, no es un borrador flexible, sino un compromiso metodológico que permite a los lectores evaluar la rigurosidad de los métodos aplicados y verificar si existieron cambios injustificados durante la ejecución.

Definición de protocolo de revisión sistemática. **El protocolo como plan a priori de una revisión sistemática.**

Para ilustrar su aplicación, consideremos el ejemplo clásico del uso de vitamina C para el resfriado común. Un protocolo sólido definiría, antes de comenzar la búsqueda, los siguientes elementos nucleares:

Justificación y racionalidad: Descripción de la condición (fisiopatología del resfriado), la importancia de la intervención (vitamina C) y las lagunas de conocimiento actuales.
Pregunta de investigación y objetivos (Formato PICO/PECO): Por ejemplo: «¿Previene o trata la vitamina C el resfriado común en comparación con el placebo en adultos?». Aquí se definen la Población (adultos), Intervención (vitamina C oral), Comparación (placebo) y Outcomes o resultados (incidencia, duración y gravedad de los síntomas).
Criterios de elegibilidad: Definición precisa de qué estudios se incluirán (ej. ensayos clínicos aleatorizados) y cuáles se excluirán (ej. estudios en niños o que usen suplementos combinados).
Métodos de búsqueda, selección y extracción: Detalle de las fuentes (PubMed, Embase, Cochrane Library), la estrategia de búsqueda completa para al menos una base de datos y el proceso de cribado por duplicado e independiente.
Evaluación de sesgos: Plan para aplicar herramientas específicas como RoB 2 (para ensayos aleatorizados) o ROBINS-I (para estudios no aleatorizados).
Plan de síntesis de pruebas: Especificación de cómo se combinarán los datos. Esto incluye decidir si se realizará un metaanálisis o si se utilizarán otros métodos como la Síntesis sin Metaanálisis (SWiM) si la heterogeneidad es excesiva.

**Mapa metodológico del protocolo de una revisión sistemática.**

En esencia, la transparencia y la reproducibilidad son los pilares de esta definición, permitiendo que la comunidad científica confíe en la objetividad de las conclusiones.

3. Por qué el protocolo es el mejor aliado del equipo de revisión: 5 pilares prácticos

El desarrollo de un protocolo sólido no debe verse como una carga, sino como una inversión estratégica que se apoya en cinco pilares fundamentales:

3.1. Planificación y mitigación de la deriva

Una revisión sistemática implica muchas decisiones metodológicas: población, intervención o fenómeno de interés, comparadores, desenlaces, diseños de estudio, bases de datos, estrategia de búsqueda, proceso de cribado, extracción de datos, evaluación del riesgo de sesgo y método de síntesis.

El protocolo obliga al equipo a fijar la pregunta y los métodos antes de que el conocimiento de los resultados individuales pueda sesgar el juicio evitando que el equipo «improvise» criterios de selección a medida que encuentra estudios interesantes.

3.2. Transparencia y trazabilidad

Funciona como un rastro verificable de las decisiones. Al declarar los métodos de antemano, se permite que otros investigadores evalúen la alineación entre lo planeado y lo ejecutado. Esto es vital para detectar el reporte selectivo de resultados, donde solo se publican aquellos hallazgos que resultaron estadísticamente significativos.

Principales funciones del protocolo como plan vivo de la revisión: planificación, 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 después de conocer los resultados de los estudios. Por ejemplo, cambiar los criterios de elegibilidad, modificar desenlaces o alterar el análisis porque los resultados no son los esperados puede introducir sesgo y comprometer la credibilidad de la revisión.

3.4. Reproducibilidad científica

El protocolo ofrece el detalle suficiente para que otro equipo pueda evaluar la «brecha» 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 revisión pueden surgir problemas no previstos: una definición demasiado restrictiva, un tipo de estudio relevante que no se había considerado o dificultades prácticas en la búsqueda. Pero cualquier modificación debe quedar claramente documentada y justificada en la revisión final.

3.5. Eficiencia y coordinación de equipos

La planificación previa ahorra tiempo y recursos. Permite asignar roles específicos (investigador principal, estadístico, coordinador de búsqueda) y alinear al equipo multidisciplinar. Además, su registro público alerta a otros investigadores, evitando la duplicación de esfuerzos y reduciendo el desperdicio de recursos en la ciencia.

4. Decisiones críticas que deben quedar definidas (antes de empezar)

Componentes esenciales que deben quedar preespecificados en el protocolo de una revisión sistemática.

Para cumplir con los estándares, existen componentes que no pueden dejarse al azar. Es imperativo redactar estas secciones en tiempo futuro y utilizando la voz activa (ej. «dos revisores seleccionarán los estudios de forma independiente» en lugar de «los estudios serán seleccionados»).

Estrategia de búsqueda: Se deben listar todas las fuentes (bases de datos, registros de ensayos, literatura gris) y proporcionar el borrador de términos para la base de datos principal.

Estrategia de búsqueda de evidencia: componentes técnicos y garantías metodológicas.

Proceso de selección y cegamiento: Debe detallarse cómo se manejará el «cegamiento» entre revisores durante el cribado para asegurar la independencia. Es fundamental decidir cómo se resolverán los desacuerdos (ej. mediante un tercer revisor senior).
Evaluación del riesgo de sesgo: No basta con mencionar que se evaluará; se debe especificar la herramienta (RoB 2 o ROBINS-I) y el software de gestión de datos, como RevMan, que facilita la integración de estas evaluaciones en los gráficos de bosque (forest plots).
Plan de análisis y síntesis: Se debe definir cuándo es apropiado un metaanálisis basándose en la heterogeneidad clínica y estadística. Si no es posible, se debe haber pre-especificado un método de síntesis alternativo (SWiM) para evitar la elección arbitraria de métodos tras ver los datos.

5. El ecosistema de registro: ¿Dónde y cómo publicar el plan?

Aunque PROSPERO sigue siendo la referencia internacional más reconocida para revisiones sistemáticas con desenlaces relacionados con la salud, especialmente en revisiones de efectividad, diagnóstico, pronóstico 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 actúan como registros específicos de revisiones sistemáticas, como PROSPERO o INPLASY; otras son registros generales de investigación, como OSF Registries o Research Registry; y otras funcionan principalmente como repositorios o espacios de publicación y preservación del protocolo completo, como protocols.io o Figshare. También existen opciones vinculadas a marcos metodológicos concretos, como el entorno JBI, especialmente útil para equipos afiliados que trabajan con metodología del Joanna Briggs Institute.

Principales plataformas para registrar, publicar o depositar protocolos de revisiones sistemáticas. No todas cumplen la misma función ni son adecuadas para todos los tipos de revisión.

Además de los registros específicos como PROSPERO o INPLASY, OSF Registries ofrece una opción especialmente flexible para preregistrar distintos tipos de revisiones. En concreto, dispone del formulario “Generalized Systematic Review Registration”, que permite documentar protocolos de revisiones sistemáticas, revisiones de alcance, revisiones cualitativas, metaanálisis u otros diseños de síntesis que no siempre encajan en los criterios de plataformas más específicas.

Además de decidir dónde registrar o depositar el protocolo, una cuestión práctica frecuente es por dónde empezar a redactarlo. Las plantillas pueden ser muy útiles para estructurar el trabajo inicial, asegurar que no se omiten apartados metodológicos relevantes y facilitar la discusión dentro del equipo revisor. Pero hay que recordad que las plantillas ayudan a estructurar el protocolo, pero deben adaptarse al tipo de revisión, a la pregunta de investigación y a los estándares metodológicos aplicables.

Entre los recursos útiles para preparar protocolos de revisiones sistemáticas y revisiones de alcance se encuentran las siguientes plantillas y documentos de apoyo:

UNC HSL Systematic Review Protocol Template (.doc). Plantilla Word de la Health Sciences Library de la University of North Carolina para protocolos de revisiones sistemáticas. https://docs.google.com/document/d/1MNkABhwrk25fSwLkvCdW_roMChirUtk9/edit?usp=sharing&ouid=113734428919687562331&rtpof=true&sd=true
Review Protocol Template by Sarah Vistintini (.doc). Plantilla Word de protocolo de revisión atribuida a Sarah Visintini. https://docs.google.com/document/d/1OBHDusQJJYPhtUIPz-b3ScEoT56Odaz/edit?usp=sharing&ouid=113734428919687562331&rtpof=true&sd=true
JBI scoping review protocol template. Plantilla de ejemplo básica para protocolos de revisiones de alcance siguiendo metodología JBI. https://pubmed.ncbi.nlm.nih.gov/35102103/
OSF Generalized Systematic Review Registration. Plantilla/recurso de OSF para el formulario Generalized Systematic Review Registration, útil para documentar distintos tipos de revisiones en OSF Registries. https://docs.google.com/document/d/1fU-EY36gld9FWHsP4-IE2SF9IVCFBMKUzBJmHD9bBYQ/edit?tab=t.0#heading=h.fwbi14d4b65g
Checklist PRISMA-P en español. Documento de apoyo con la lista de comprobación PRISMA-P traducida al español. https://docs.google.com/document/d/1oHlidFH-BII2ADQZuoEk-5DNWrs-wtFR/edit?usp=sharing&ouid=113734428919687562331&rtpof=true&sd=true

6. Errores frecuentes: Lo que debilita tu garantía metodológica

El protocolo solo funciona como garantía metodológica si se redacta antes de iniciar la revisión, si recoge decisiones suficientemente detalladas y si se mantiene trazable cuando el proyecto evoluciona. En la práctica, 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 más frecuentes es la redacción tardía 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 información o análisis, el protocolo pierde su función principal: prevenir decisiones condicionadas por los resultados encontrados. En ese caso, deja de ser una planificación prospectiva y se convierte en una reconstrucción posterior del método.

Errores metodológicos frecuentes en el uso del protocolo: redacción tardía, falso protocolo, desviaciones silenciosas y abandono del registro.

Otro problema habitual es confundir un registro mínimo con un protocolo metodológico completo. Registrar una revisión en PROSPERO, OSF u otra plataforma no equivale necesariamente a disponer de un protocolo sólido. El registro aporta visibilidad, fecha, trazabilidad y transparencia, pero el protocolo debe contener el detalle suficiente para guiar la revisión: pregunta, criterios de inclusión y exclusión, fuentes de información, estrategia de búsqueda, gestión de duplicados, proceso de selección, extracción de datos, evaluación crítica y plan de síntesis.

También son frecuentes las desviaciones silenciosas respecto al plan inicial. Durante una revisión pueden aparecer razones legítimas para modificar algún aspecto metodológico: redefinir un desenlace, ajustar criterios de elegibilidad, cambiar el enfoque de síntesis o decidir que el metaanálisis no es adecuado por la heterogeneidad de los estudios. El problema no es modificar el protocolo cuando existe una justificación metodológica clara; el problema es hacerlo sin documentarlo.

La literatura también 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 “roben” la idea, baja cobertura del registro en determinados tipos de síntesis y el fenómeno de los llamados “protocolos fantasma”, es decir, registros que no llegan a traducirse en una revisión publicada o cuyo estado no se actualiza adecuadamente. A ello se suma el abandono del registro cuando no se refleja el progreso, la publicación final o la interrupción del proyecto (8-9).

7.Conclusión

Un protocolo sólido es la frontera que separa una revisión sistemática que aporta pruebas científicas fiables de una que solo genera confusión y ruido estadístico. Invertir tiempo en la fase de diseño no es solo una buena práctica; es la garantía de que el esfuerzo del equipo se traducirá en conocimiento capaz de transformar la práctica clínica y mejorar la salud de los pacientes.

NOTA: Esta entrada forma parte de una reflexión metodológica derivada del curso impartido para BiblioSalud sobre protocolos de revisiones sistemáticas. La presentación y los materiales docentes asociados están disponibles en acceso abierto en Zenodo, con el objetivo de facilitar su consulta, reutilización y preservación.

Para cerrar la entrada, he preparado también un breve cuestionario interactivo para que quienes lo deseen puedan comprobar sus conocimientos sobre los protocolos de las revisiones sistemáticas.

Cuestionario final de autoevaluación. Una forma práctica de comprobar si han quedado claros los conceptos esenciales sobre el protocolo de una revisión sistemática.

Referencias Bibliográficas

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 síntesis de evidencia y dónde registrarlo. Biblioboletín. 2022; Junio (13):9. https://hdl.handle.net/20.500.12530/54668
Campos-Asensio C. Protocolo de revisiones sistemáticas: Del protocolo como trámite al protocolo como garantía metodológica [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.

Literatura gris en revisiones sistemáticas: por qué no deberíamos pasarla por alto

Cuando hablamos de revisiones sistemáticas, solemos pensar en búsquedas en múltiples bases de datos bibliográficas con estrategias booleanas extensas y complejas. Pero tenemos que recordar que una parte de la evidencia relevante no siempre llega a las revistas científicas o no lo hace con la misma rapidez ni visibilidad. Ahí es donde entra la literatura gris. Tesis, informes técnicos, registros de ensayos, resúmenes de congresos o documentos regulatorios pueden aportar información valiosa para reducir sesgos, completar el mapa de la evidencia y mejorar la transparencia del proceso de revisión. Buscarla no siempre es sencillo, pero ignorarla sin justificación puede debilitar una síntesis.

Empecemos por lo básico: qué entendemos por literatura gris

La literatura gris suele definirse como aquella producción científica o técnica generada por instituciones académicas, administraciones, organismos, empresas o industrias que no está controlada por los circuitos editoriales comerciales habituales (1). Una de las características que mejor define a la literatura gris es, precisamente, su dificultad de localización. En primer lugar porque queda fuera de los circuitos convencionales de indexación, búsqueda y difusión científica. Además, a menudo está dispersa, mal descrita, alojada en plataformas heterogéneas o en sitios web poco estables, lo que obliga a diseñar estrategias de búsqueda más abiertas, más manuales y mejor documentadas.

¿Y qué entra dentro de este grupo? Tenemos, entre otros, las tesis doctorales, los informes técnicos, la documentación de agencias reguladoras, las actas o resúmenes de congresos, los registros de ensayos clínicos y los preprints.

Resulta llamativo que, pese a la importancia metodológica de rastrear literatura gris, algunos manuscritos de revisiones sistemáticas sigan indicando como motivo de exclusión que un estudio no haya sido publicado en una revista con revisión por pares, como si el canal de publicación pudiera sustituir por sí mismo la valoración crítica de su relevancia y su calidad metodológica.

Por qué importa en una revisión sistemática

La principal razón para buscar literatura gris es metodológica. Su inclusión puede ayudar a reducir el sesgo de publicación, es decir, la tendencia a que los estudios con resultados positivos o estadísticamente significativos tengan más probabilidades de publicarse en revistas que aquellos con resultados nulos o negativos (1).

Esto tiene consecuencias directas en la síntesis de la evidencia. Si una revisión incorpora solo estudios publicados en revistas, puede ofrecer una imagen incompleta o sesgada del efecto real de una intervención; dejar fuera determinadas fuentes puede afectar a la estimación 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 sistemáticas de estudios publicados informaron que la agomelatina era un tratamiento eficaz para la depresión, pero no se demostró ningún efecto del tratamiento cuando se incluyeron siete estudios no publicados. Otros ejemplos de sesgo de publicación incluyen oseltamivir para la influenza en adultos, estatinas para la prevención de eventos tromboembólicos venosos y reboxetina para la depresión (4).

Además, también es especialmente útil para identificar datos de seguridad y eventos adversos que en ocasiones quedan menos desarrollados en los artículos de revista y solo se encuentra en documentos no publicados o regulatorios (5).

Y por último, otra razón importante es que permite detectar estudios en curso o nunca publicados.

Motivo	Explicación
Reducir el sesgo de publicación	– Evitar o minimizar el sesgo de publicación; – Contrarrestar visiones incompletas de la evidencia (p. ej., salud cerebral, deterioro de la función renal); – Abordar el efecto cajón (file drawer effect), en el que los resultados negativos permanecen sin publicar.
Mejorar la exhaustividad	– Garantizar la recuperación de todos los estudios elegibles, incluidos los no publicados y no indexados; – Incrementar la generalizabilidad, la exhaustividad y el tamaño muestral; – Integrar fuentes publicadas y no publicadas para construir una base de evidencia más completa.
Acceso a estudios no publicados o en curso	– Identificar tesis doctorales, disertaciones, informes técnicos, informes gubernamentales y actas de congresos; – Localizar ensayos no publicados o en curso mediante registros; – Localizar investigación temprana o en desarrollo aún no publicada en revistas revisadas por pares.
Evidencia del mundo real y específica del contexto	– Incluir evidencia procedente de la práctica clínica habitual (p. ej., efectividad vacunal postcomercialización, experiencias en fisioterapia, teletrabajo durante la COVID-19); – Incorporar perspectivas diversas más allá de los ensayos clínicos, incluyendo enfoques organizativos y gubernamentales; – Identificar marcos, modelos y lagunas en políticas nacionales (p. ej., entorno escolar canadiense, teoría del confort de Kolcaba).
Ampliación 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.

Cuándo puede ser especialmente relevante

En áreas con fuerte presencia de la industria, como ensayos con fármacos o dispositivos, porque los intereses comerciales pueden influir en qué resultados llegan a publicarse y cuáles no. También en tecnologías sanitarias emergentes, donde la evidencia puede aparecer antes en informes técnicos, documentos de agencias o preprints que en revistas indexadas.

Resulta igualmente relevante en revisiones sobre políticas públicas, programas o implementación, donde parte de la información útil procede de organismos oficiales, instituciones o documentos técnicos. Y en temas con escasa literatura publicada, los resúmenes de congresos, tesis y otras fuentes no convencionales pueden aportar estudios o datos que ayuden a completar el panorama.

Qué fuentes conviene tener en cuenta

Entre las fuentes más relevantes en salud destacan los registros de ensayos clínicos, como ClinicalTrials.gov o la plataforma de registros de la OMS, útiles para localizar estudios terminados no publicados y, a veces, resultados disponibles directamente en el registro.

También son importantes las tesis y disertaciones, que pueden contener información más extensa que la finalmente publicada en artículos; los resúmenes y actas de congresos, especialmente valiosos en áreas muy dinámicas, aunque con limitaciones por la brevedad de la información; los informes técnicos e institucionales, incluidas evaluaciones de tecnologías sanitarias y documentos regulatorios; y los repositorios de preprints, cada vez más relevantes en determinadas áreas. 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 útiles para revisiones sistemáticas. (Nota: OpenGrey fue discontinuado en 2020 y hoy permanece como archivo).

Categoría	Recomendaciones
Fuentes principales a considerar siempre	– Google Scholar: amplia cobertura de literatura académica y gris, pero requiere un cribado cuidadoso debido a su baja precisión; – ProQuest: especialmente útil para tesis y disertaciones; – ClinicalTrials.gov: esencial para identificar datos de ensayos clínicos no publicados; – OpenGrey: específicamente dedicado a literatura gris (aunque actualmente archivado, sigue siendo útil a través de repositorios).
Fuentes complementarias según el tema de la revisión	– Los sitios web de organizaciones y la consulta a expertos son especialmente importantes en áreas con fuerte componente de políticas o práctica (p. ej., salud pública, educación, servicios sociales); – La búsqueda 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 bibliográficas especializadas	– Scopus, PsycINFO y Web of Science pueden recuperar fuentes “semigrises” (por ejemplo, resúmenes de congresos y actas) y deben considerarse cuando sean pertinentes para la revisión.
Motores de búsqueda web generales	– Google (búsqueda general) puede recuperar documentos únicos de carácter institucional o local, pero no debe utilizarse como única estrategia; – Se recomienda el uso de búsquedas estructuradas y el registro de URL y fechas para garantizar la reproducibilidad.

Recomendaciones para la selección 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 útiles para recuperar literatura gris, pero no deben utilizarse como única fuente, ya que pueden omitir estudios relevantes y presentan limitaciones de precisión y transparencia (7).

Dificultades metodológicas de la búsqueda 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 bibliográfica tradicional.

No existe un único estándar de referencia y muchas de estas fuentes carecen de lenguaje controlado, interfaces potentes o posibilidades de exportación comparables a las de bases como MEDLINE o Embase. Esto obliga a trabajar más con términos en lenguaje natural, incrementa el ruido en la recuperación y dificulta tanto la reproducibilidad como la documentación. Además, 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 ordenación añade una dificultad extra (7).

Errores frecuentes

Uno de los errores más habituales es declarar de forma genérica que se buscó “en Google” o “en literatura gris” sin especificar qué fuentes concretas se consultaron, con qué estrategia, en qué fecha y con qué límites. Otro error frecuente es asumir que la literatura gris tiene menor calidad por definición. Su calidad metodológica debe valorarse con los mismos principios y, cuando proceda, con herramientas específicas que cualquier otro estudio o documento.

También es problemático no conservar evidencia documental de determinadas búsquedas o no registrar metadatos básicos como la URL, la fecha de consulta o la estrategia utilizada. En fuentes inestables, esto puede dificultar comprobaciones posteriores.

Cómo plantear una búsqueda de literatura gris

La búsqueda de literatura gris debe planificarse desde el protocolo, no añadirse al final como un gesto de exhaustividad formal. Conviene decidir desde el principio qué tipos de fuentes son pertinentes para la pregunta de investigación, cuáles son asumibles en términos de tiempo y recursos y cómo se va a documentar el proceso.

Esto implica seleccionar de forma justificada las fuentes, adaptar la estrategia a cada interfaz, registrar fechas, URLs, términos utilizados y límites aplicados, y seguir marcos de transparencia como PRISMA-S (8). También puede incluir el contacto con autores cuando se sospecha la existencia de estudios no publicados o información complementaria relevante.

En motores como Google Scholar, además, es importante asumir desde el principio que la búsqueda tiene limitaciones técnicas 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 metodológica. Esta distinción permite saber qué parte de la evidencia procede de circuitos editoriales convencionales y cuál se ha recuperado a través de registros, informes, tesis, resúmenes de congresos u otras fuentes no comerciales, facilitando la trazabilidad del proceso y la interpretación de los resultados. Además, separar ambas procedencias hace posible realizar análisis de sensibilidad y valorar hasta qué punto la inclusión de literatura gris modifica las estimaciones del efecto, los datos de seguridad o las conclusiones de la revisión.

Conclusión

La literatura gris no es un añadido accesorio ni una garantía automática de calidad. Es, sobre todo, una fuente potencialmente útil para mejorar la exhaustividad, reducir determinados sesgos y captar evidencia que no siempre circula por las vías editoriales habituales. Su búsqueda plantea dificultades y no siempre deberá hacerse con la misma exhaustividad en todas las revisiones. Pero prescindir de ella sin una justificación razonada puede dejar fuera una parte relevante de la evidencia y debilitar la solidez de la síntesis final.

BIBLIOGRAFÍA

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.

Qué significa que la búsqueda para una revisión sistemática debe de ser exhaustiva

Los estándares metodológicos coinciden en una idea central: la búsqueda debe ser sistemática, planificada y lo más amplia posible para reducir sesgos (especialmente sesgo de publicación y de reporte) y capturar la mayor parte de la evidencia relevante (1). A diferencia de una revisión tradicional donde un autor puede elegir artículos de su preferencia («handpicking»), una búsqueda exhaustiva busca identificar toda la evidencia disponible que responda a una pregunta de investigación específica para evitar el sesgo de selección. En una anterior entrada ya hemos analizado cómo podemos saber si nuestra búsqueda es exhaustiva. Ahora veamos lo que realmente significa “exhaustividad” (comprehensiveness).

Exhaustividad no equivale a “hacer una búsqueda larga” ni a “meter muchas palabras”. Es diseñar un proceso que aspire a identificar el conjunto más completo y no sesgado posible de estudios pertinentes para una pregunta predefinida. En el Manual Cochrane (1) lo expresa de forma directa: la búsqueda debe ser tan extensa como sea posible para reducir el riesgo de sesgo de reporte/publicación e identificar la mayor cantidad de evidencia relevante.

¿Significa esto que hay que usar absolutamente todos los métodos imaginables?, no, es decidir (y justificar) cómo lograr un conjunto de evidencia completo y no sesgado con los recursos disponibles.

3 pilares de la exhaustividad: cobertura, sensibilidad y trazabilidad

Si una búsqueda no es exhaustiva y documentada en detalle, la evidencia resultante no se considera válida ni fiable para la toma de decisiones clínicas. Es, de hecho, el factor principal que distingue a una revisión sistemática de cualquier otro tipo de revisión bibliográfica.

Analicemos los tres pilares de la exhaustividad:

1. Cobertura: no hay exhaustividad con una sola fuente

Una revisión que busca “toda la evidencia” pero consulta una única base (p. ej., solo PubMed) es vulnerable por definición: indexación incompleta, diferencias en tesauros, retrasos de indización, sesgos geográficos/idiomáticos, etc. La evidencia empírica lo respalda: en un estudio sobre revisiones Cochrane, buscar en ≥2 bases de datos aumentó cobertura/recall y redujo el riesgo de perder estudios elegibles; y cuando se sospecha que los artículos son difíciles de localizar, deben añadirse métodos suplementarios (2).

Y, desde la perspectiva de combinaciones “óptimas”, Bramer et al. observaron que varias referencias incluidas solo aparecen en una base de datos y propusieron como combinación mínima 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 número universal de bases de datos. Lo que exigen los estándares es justificar por qué esas fuentes son las adecuadas para tu pregunta y tu campo. Cochrane (1), por ejemplo, establece como mínimo para sus revisiones la consulta de CENTRAL, MEDLINE y Embase, además de fuentes especializadas según el tema.

2. Sensibilidad: maximizar recall sin perder el control

La búsqueda exhaustiva prioriza sensibilidad (recall) frente a precisión (precision), aceptando que habrá ruido. El Manual Cochrane (1) lo formula explícitamente: hay que maximizar sensibilidad procurando una precisión razonable; aumentar sensibilidad suele bajar precisión y recuperar más irrelevantes. En este punto hay que afirmar que ruido no significa mala búsqueda; puede significar que se ha protegido la revisión contra la omisión de estudios relevantes.

3. Trazabilidad: exhaustividad sin documentación no existe

Una búsqueda “muy buena” pero no reproducible es metodológicamente débil. PRISMA 2020 (4) exige describir todas las fuentes consultadas (bases, registros, webs, listas de referencias, etc.) y la fecha de última consulta. Además, pide presentar las estrategias completas (línea a línea) para todas las bases/registros/webs, con límites y filtros, para permitir evaluación de la exhaustividad, replicación y actualización.

PRISMA-S (2021) va un paso más allá con una lista específica (16 ítems) para reportar búsquedas de forma completa y reproducible (5).

¿Cuáles son los componentes de una búsqueda exhaustiva?

A. Múltiples bases y fuentes

Una búsqueda exhaustiva combina:

Bases bibliográficas generales y especializadas (según tema). Se recomienda realizar búsquedas en un rango de 3 a 5 bases de datos bibliográficas académicas relevantes para el área 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 técnicos 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).

Búsqueda web (agencias reguladoras, organizaciones, etc.).

B. Vocabulario controlado + texto libre (y traducción entre plataformas)

Hay que usar tanto texto libre como encabezamientos (MeSH, Emtree, etc.) y personalizar y adaptar las estrategias por cada base.
Además, recuerda que MeSH≠Emtree, la indización difiere y para ser lo más exhaustivo posible hay que incorporar un rango amplio de sinónimos, variantes ortográficas, truncamientos y operadores de proximidad.

Siempre recordando que “traducir la estrategia” no es copiar/pegar; es conservar el concepto y adaptar la sintaxis y el comportamiento del buscador (campos, explosión, proximidad, stopwords, mapeo automático).

C. Técnicas adicionales

La propia lógica metodológica es simple: ninguna base indexa “todo” y la evidencia muestra que métodos suplementarios pueden añadir estudios que el searching en bases no recupera. Para cerrar el círculo de la exhaustividad, se deben emplear métodos como la «búsqueda manual» (handsearching) y el «encadenamiento de citas» (citation chaining), que consiste en revisar las referencias de los artículos encontrados para localizar estudios adicionales que las bases de datos pudieron omitir.

D. Control de calidad: revisión por pares de la estrategia (PRESS)

El estándar PRESS (6) formaliza la revisión por pares de estrategias electrónicas y define elementos típicos donde aparecen errores (operadores booleanos/proximidad, encabezamientos, texto libre, límites/filtros, sintaxis, etc.). PRISMA 2020 incluso sugiere reportar si hubo peer review y qué herramienta se utilizó (p. ej., PRESS).

Errores frecuentes que “rompen” la exhaustividad

Una sola base (o varias, pero sin complementariedad).
No combinar tesauro + texto libre, o no adaptar la estrategia a cada base.
Límites no justificados (idioma/fecha/tipo de documento) aplicados en la búsqueda, no como criterio de selección. PRISMA pide que los límites se reporten y se justifiquen en relación con criterios de elegibilidad.
Omitir literatura gris/registros cuando el riesgo de sesgo de publicación es material.
No informar de las estrategias completas (solo “buscamos en PubMed y Embase”): impide evaluar calidad, reproducir y actualizar.

BIBLIOGRAFÍA

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, Hróbjartsson A, Lalu MM, Li T, Loder EW, Mayo-Wilson E, McDonald S, McGuinness LA, Stewart LA, Thomas J, Tricco AC, Welch VA, Whiting P, 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.

Polyglot (TERA Tools) para trasladar estrategias de búsqueda: ahorro de tiempo pero necesita supervisión

En revisiones sistemáticas, trasladar la estrategia al resto de bases de datos es uno de los pasos más exigentes porque exige conocimiento experto de bases, plataformas y sintaxis. No es un trámite: forma parte del método y condiciona la sensibilidad y la reproducibilidad del proceso.

Dado que la búsqueda para revisiones sistemáticas debe ser sensible y no existe una única fuente que recoja de forma exhaustiva todo lo publicado, es necesario buscar en un número suficiente de bases de datos, seleccionadas según el objetivo (sensibilidad vs precisión), la cobertura temática y el tipo de evidencia. Cada base se interroga de manera distinta y devuelve conjuntos de documentos parcialmente diferentes. Además, aunque las plataformas permiten combinar texto libre, búsqueda por campos, tesauro y límites, cada una implementa estas funcionalidades con su propia “gramática” de búsqueda.

El problema real: al traducir entre bases también traducimos reglas

Cuando pasamos una estrategia de PubMed/MEDLINE a Embase (y a otras bases), los fallos suelen agruparse en tres categorías:

No adaptación de la estrategia. Copiar/pegar “tal cual” sin ajustar a la plataforma puede cambiar la recuperación (a veces sin que sea evidente): campos incorrectos, paréntesis interpretados de otra forma, comillas, límites no equivalentes o funciones que existen en una base y no en otra.
Diferencias en el lenguaje de búsqueda. Etiquetas de campo, comodines, gestión de frases y (muy especialmente) operadores de proximidad.
Errores en encabezamientos de materia. Cada base tiene su propio tesauro (MeSH, Emtree, CINAHL Headings, Thesaurus APA…), y no hay equivalencias 1:1 garantizadas.

Dónde encaja Polyglot y qué aporta de verdad

Polyglot Search Translator (TERA Tools) está diseñado para traducir cadenas de búsqueda entre bases y plataformas, ahorrando trabajo repetitivo y reduciendo errores de tecleo, sin sustituir el criterio experto. Un ensayo aleatorizado observó que traducir con Polyglot fue, en promedio, más rápido (31 vs 45 minutos) y con menos errores (8,6 vs 14,6) que la traducción manual, aunque sigue siendo imprescindible revisión humana (Clark JM, 2020)

Su valor es claro: un traductor de sintaxis que agiliza el traslado entre plataformas, pero que funciona de verdad cuando se usa como lo que es: una semi-automatización con supervisión experta. Polyglot traduce cadenas desde PubMed u Ovid MEDLINE a múltiples plataformas para que tú te concentres en lo que no se puede automatizar como el tesauro o la proximidad.

Cómo usar Polyglot

Aquí te dejo las instrucciones de cómo sería el flujo de trabajo si queremos trasladar una estrategia que hemos hecho en PubMed a Embase:

1) Desarrolla y depura tu estrategia “base”.

Crea la estrategia en bloques conceptuales claros, con paréntesis cerrados y consistencia en campos y truncamientos.

2) Pegar la búsqueda en Polyglot (https://tera-tools.com/polyglot)

En TERA, Polyglot ofrece un cuadro “Your query” donde pegar la cadena. Es recomendable marcar la casilla “Replace line references” (para que resuelva referencias del tipo #1, #2, etc.) y añadir una línea 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) Verificación del vocabulario controlado (Emtree)

Este es el paso crítico:

Identifica los términos 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 término preferido difiera.

Polyglot te ahorra reescritura de sintaxis, pero no puede asumir equivalencias terminológicas sin supervisión.

5) Operadores de proximidad.

Aunque PubMed incorporó proximidad en 2022, con la sintaxis «términos»[Title:~N] o «términos»[Title/Abstract:~N], limitada a determinados campos, no puede considerarse una proximidad equivalente a la proximidad de otras plataformas (NEAR/NEXT o ADJ). Más bien es una ayuda para la búsqueda por frases.

Por eso, cuando trasladas desde PubMed, la traducción “literal” tal cual es proporcionada por Polyglot no aprovecha el potencial de la búsqueda por adyacencia de otras plataformas. Cuando migras desde PubMed a Embase, debes decidir (concepto a concepto) si las transformas en proximidad (más sensibilidad, riesgo de introducir ruido si el “n” es amplio) o mantienes la búsqueda por frases exactas (más precisión, riesgo de perder variantes).

No hay respuesta universal: depende del concepto, del objetivo de la búsqueda y del equilibrio sensibilidad/precisión. La única forma de hacerlo es probar, comparar y documentar el ajuste.

6) Ejecutar y comprobar

Antes de dar la traducción por válida revisa truncamientos, comillas y campos; ejecuta y comprueba si recuperas artículos semilla y si los recuentos son plausibles. Si un artículo relevante aparece en una base y no en otra, la pregunta útil no es “¿por qué no está?”, sino qué parte de la traducción no lo capturó: campos, fraseo, proximidad, tesauro o límites.

BIBLIOGRAFÍA

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.

¿Tu búsqueda bibliográfica es realmente exhaustiva?

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

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

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

«Recall absoluto» y «recall relativo»

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

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

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

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

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

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

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

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

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

6 Etapas del flujo de trabajo del bibliotecario

Para validar nuestra búsqueda, Lagisz et al., nos sugieren seguir este flujo de trabajo secuencial:

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

Cálculo e Interpretación

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

Fórmula de sensibilidad (recall):

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

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

Cálculo: 4 / 5 = 0.8

Resultado: 80% de sensibilidad.

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

¿Qué pasa si la sensibilidad es baja?

Si este es nuestro caso, debemos realizar un análisis diagnóstico de los estudios «no capturados» siguiendo esta lista de tareas para el Refinamiento:

Aislar omisiones: Ejecutar Cadena de Benchmarking NOT Cadena de Búsqueda Objetivo para visualizar exclusivamente los artículos que su estrategia ignoró.
Análisis de registros: Examinar los campos de título, resumen y términos controlados (encabezamientos de materia) de los estudios perdidos.
Ajuste de lógica: Incorporar sinónimos detectados o flexibilice los operadores de proximidad y truncamiento.
Justificación Técnica: Documentar la justificación razonada detrás de cada término añadido para mantener la trazabilidad.
Revalidación: Repetir el cálculo de sensibilidad hasta alcanzar el equilibrio deseado por el equipo de revisión. Este refinamiento garantiza que la búsqueda final sea un reflejo fiel del estado del arte, cumpliendo con los estándares de transparencia internacional.

Bibliografía

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

Estudios retractados en revisiones sistemáticas: el sesgo invisible que puede cambiar conclusiones

La ciencia «zombi» que amenaza la práctica clínica

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

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

Ilustración de ciencia zombi: estudios retractados que se cuelan en revisiones sistemáticas — Estudios retractados que se cuelan en revisiones sistemáticas.

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

Poniendo cifras al problema

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

Los hallazgos son difíciles de ignorar:

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

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

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

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

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

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

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

Solución compartida y cómo detectarlo

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

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

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

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

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

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

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

ilustración de herramientas para la localización de artículos retractados — La prevención es posible: verificación sistemática + herramientas de alerta + mejor señalización editorial.

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

Hacia una evidencia más robusta y fiable

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

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

Bibliografía

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

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

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

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

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

¿Qué pueden hacer las revistas/editoriales para reducir el daño?
Señalización inequívoca del estatus, metadatos coherentes y prácticas consistentes de comunicación de retractaciones (para que se vean claramente en cualquier buscador/basedatos).

Errores y mal uso de PRISMA:

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

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

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

El Gran Malentendido: reporte vs. metodología

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

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

Analogía culinaria

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

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

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

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

Qué es PRISMA y qué incluye (componentes):

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

PRISMA 2020 incluye, entre otros componentes:

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

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

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

Para qué sirve (y por qué importa)

PRISMA 2020 ayuda a:

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

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

Qué NO es PRISMA 2020

PRISMA 2020 no es:

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

Cómo usar PRISMA 2020 bien

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

Aclaración técnica para el diagrama de flujo PRISMA 2020

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

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

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

Malas utilizaciones frecuentes

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

¿Es PRISMA la única guía de reporte? NO

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

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

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

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

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

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

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

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

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

Bibliografía

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

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

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

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

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

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

Cuando y cómo hacer una revisión paraguas o umbrella review

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

¿Por qué surgen las revisiones paraguas?

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

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

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

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

En términos conceptuales, hablamos de investigación terciaria:

La investigación primaria genera datos (p. ej., ensayos clínicos, cohortes).
La investigación secundaria sintetiza por primera vez esos datos (RS/MA).
La investigación terciaria integra y evalúa críticamente múltiples síntesis secundarias (overviews y umbrella reviews).

Por ello, en la jerarquía de la evidencia, las revisiones paraguas se sitúan en un nivel alto de síntesis, especialmente útiles para ofrecer una visión global y comparativa del estado del conocimiento y apoyar decisiones clínicas, de gestión o de salud pública.

¿Cuándo debemos hacer una revisión paraguas?

La idea central es sencilla: cuando el “nivel alto” de evidencia (SR/MA) se multiplica, necesitamos metodologías de síntesis terciaria que permita:

integrar resultados de varias revisiones,
comparar conclusiones entre sí,
valorar críticamente su calidad metodológica y la certeza del cuerpo de evidencia,
y identificar qué conclusiones son más sólidas y dónde persisten incertidumbres.

Belbasis y cols. propusieron, además, un algoritmo de decisión práctico para orientar cuándo es preferible una umbrella review frente a otros tipos de síntesis.

Características de las revisiones paraguas

Las revisiones paraguas se distinguen por varios rasgos nucleares:

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

¿Cómo hacer una revisión paraguas?

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

1. Formular la pregunta de investigación y registrar del protocolo

Definir un objetivo claro y justificable (por qué una umbrella review es necesaria y qué aporta respecto a RS/MA existentes). Estructurar la pregunta con marcos adecuados, según el tipo de evidencia:

PICO(S) (efectividad clínica)
CoCoPop (prevalencia/etiología)
PEO (cualitativa o exposiciones)

Registrar el protocolo a priori (p. ej., PROSPERO u OSF) mejora transparencia y reduce duplicidades.

2. Definir criterios de inclusión y exclusión

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

3. Diseñar y ejecutar una búsqueda sistemática reproducible

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

4. Selección de estudios y extracción de datos

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

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

Herramientas frecuentes:

AMSTAR-2 (calidad metodológica general)
ROBIS (riesgo de sesgo de la revisión sistemática)
Otras herramientas equivalentes, si están justificadas por el tipo de revisión.

6. Gestionar el solapamiento de estudios primarios (Overlap)

Un reto único de las umbrella reviews es que diferentes RS pueden incluir los mismos estudios primarios, lo que puede inflar artificialmente los resultados si se combinan cuantitativamente.

Construir una matriz de evidencia: Se recomienda crear una tabla que cruce las RS con los estudios primarios únicos.
Cuantificar el solapamiento con el cálculo del ACC: El uso del índice del Área Cubierta Corregida (CCA) permite cuantificar el solapamiento (leve <5%, moderado 6-10%, alto 11-15%, y muy alto >15%).
Considerar herramientas de apoyo como el software GROOVE para una representación gráfica del solapamiento.

7. Síntesis y análisis de los datos

Existen dos enfoques principales para presentar los hallazgos:

Síntesis narrativa: útil para mapear el campo, identificar patrones y discrepancias, sin recalcular efectos.
Reanálisis (Repeated Analysis): cuando es apropiado, reanalizar estimaciones (con cautela, especialmente por solapamiento y heterogeneidad), usando software como RevMan/Stata o paquetes de R (p. ej., metaumbrella).

8. Evaluación de la certeza de la evidencia

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

9. Reporte de los resultados transparente

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

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

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

¿Quieres evaluar tus conocimientos de las revisiones paraguas?

BIBLIOGRAFÍA

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

Belbasis L, Bellou V, Ioannidis JPA. Conducting umbrella reviews. BMJ Med. 2022 Nov 22;1(1):e000071. doi: 10.1136/bmjmed-2021-000071.

Rayyan estrena “Mi Biblioteca”: por fin, una gestión más fluida del texto completo

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

Las limitaciones de Rayyan

Históricamente, Rayyan se diseñó como herramienta de cribado y, aunque ha ido incorporando módulos posteriores, en la práctica cotidiana se repetían algunos problemas:

Gestión manual de textos completos (PDF): Los PDFs debían recuperarse fuera de Rayyan. Después, había que subirlos y adjuntarlos manualmente a cada registro, uno a uno.

Integración imperfecta del flujo de trabajo: Rayyan resultaba muy eficiente en el primer cribado, pero el proceso tendía a volverse más “pesado” en fases posteriores. Era frecuente recurrir a soluciones externas (carpetas compartidas, gestores bibliográficos paralelos, etc.) para poder trabajar con muchos PDFs de forma operativa.

La novedad: “Mi Biblioteca” (My Library)

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

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

Beneficios de «My Library»

1) Centralización y orden (por fin, “un sitio” para todo)

Permite almacenar una colección propia de investigación, con referencias y textos completos.
Puedes crear carpetas y estructurar el contenido por proyectos, temas o etapas.
Facilita la gestión de colecciones grandes con una lógica de “repositorio” (custodia y reutilización, no solo importación puntual).

2) Reutilización real entre proyectos

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

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

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

4) Recuperación y “copia de trabajo”

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

Implicaciones para bibliotecas hospitalarias y equipos de revisión

Reducir trabajo manual repetitivo.
Mejorar la trazabilidad (dónde está cada PDF, cuándo se incorporó, a qué proyecto se vinculó).
Disminuir dependencias de circuitos paralelos (carpetas compartidas + “doble” gestión fuera de la plataforma).

Cautelas (importantes)

No es un sistema de obtención de texto completo: “Mi Biblioteca” no sustituye el acceso: sigue siendo imprescindible disponer de los PDFs por vías legítimas (suscripción institucional, OA, solicitud a autores, etc.).
Qué puedes hacer con cuenta gratuita:
- Subir y organizar PDFs y archivos de referencias en Mi Biblioteca, sin límite de espacio tan solo que cada PDF no exceda 100MB, y no subir más de 10 a la vez.
- Reutilizar esas referencias en distintas revisiones.
- Buscar PDFs en Mi Biblioteca durante el cribado a texto completo y emparejarlos manualmente con las referencias.

Qué queda restringido a planes de pago: El PDF Auto Matching (la asignación automática de PDFs a las referencias) es una funcionalidad solo de pago.

En resumen …

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

Más información: https://help.rayyan.ai/hc/en-us/articles/41494414324625-How-to-Use-My-Library

¿Es la IA un sustituto, una amenaza o un aliado para los bibliotecarios especializados?

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

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

Tareas en las que puede intervenir la IA

La aportación de la IA no reside únicamente en la aceleración de tareas, sino en la capacidad de ampliar, diversificar y estructurar el acceso a la literatura científica, amplificando los procedimientos manuales.

Generación rápida y exhaustiva de términos de búsqueda. Los modelos de IA generativa son capaces de recopilar términos de miles de textos y, a partir de ahí, sugieren sinónimos, acrónimos y variantes de un mismo concepto. En otras palabras, ayudan a descubrir términos relevantes que, de otro modo, podrían pasarse por alto. Esta capacidad resulta especialmente útil en áreas emergentes o interdisciplinarias, donde la terminología aún no está normalizada y la literatura se dispersa en múltiples dominios temáticos.
Aumento de la sensibilidad/exhaustividad (recall) de la búsqueda. Estas herramientas son capaces de producir una primera estrategia de búsqueda con elevada sensibilidad, es decir, muy amplia, recuperando muchísimos resultados. Es verdad que luego hay que limpiarlos y depurarlos, pero esa “primera cosecha” sirve como una base sólida sobre la que seguir afinando la estrategia, añadir filtros y ajustar los términos. En este sentido, la IA funciona como un acelerador: te ayuda a arrancar rápido con un punto de partida fuerte, aunque siempre hace falta la mirada experta del bibliotecario para asegurar que todo tenga sentido y calidad.
Generación de búsquedas booleanas para distintas bases de datos/plataformas. Uno de los avances más visibles es la capacidad de la IA para traducir una estrategia conceptual en consultas operativas adaptadas a la sintaxis de cada proveedor: Ovid MEDLINE, Embase.com, Scopus, Web of Science, CINAHL (EBSCO, Ovid, …), PsycINFO (Proquest, EBSCO, …), entre otros. Esto incluye la aplicación correcta de campos de búsqueda, operadores de proximidad, truncamientos, tesauros controlados y peculiaridades funcionales de cada motor. Esta precisión reduce errores, evita pérdidas de sensibilidad y mejora la reproducibilidad del proceso.

Ventajas/Oportunidades del uso de la IA

Fase de búsqueda inicial más exhaustiva: La IA puede generar en pocos segundos un abanico enorme de términos, sinónimos y palabras clave relacionadas con un tema. Esto resulta especialmente útil cuando nos enfrentamos a un campo nuevo o del que sabemos poco: la herramienta propone conceptos que quizá no habríamos considerado y evita que la estrategia de búsqueda se quede corta.
Más referencias desde el principio: Las herramientas de IA suelen recuperar mucho más. Su forma de interpretar las palabras clave es más amplia que la nuestra, lo que se traduce en un volumen mayor de resultados. Luego tocará depurarlos, sí, pero arrancar con una red más grande ayuda a no dejar estudios relevantes fuera.
Menos tiempo perdido al adaptar estrategias entre bases de datos: Pasar una estrategia de búsqueda de MEDLINE (PubMed u OVID) a Embase.com, Scopus o WoS es un trabajo pesado, repetitivo y lleno de pequeños detalles que es fácil olvidar. La IA puede hacerlo automáticamente, respetando sintaxis, operadores booleanos y campos correctos en cada plataforma. En la práctica, esto supone menos errores y muchas horas ahorradas.
Orden y lógica en los términos: Además de reunir términos útiles, la IA es capaz de agruparlos por categorías o temas. No solo te dice qué palabras usar, sino que te ayuda a entender cómo se relacionan entre sí, lo que facilita estructurar la búsqueda con sentido.

Inconvenientes y retos del uso de IA en las revisiones sistemáticas

Mucho volumen, poca precisión: Que la IA recupere cientos o miles de referencias puede parecer una ventaja, pero tiene trampa: no distingue bien lo relevante de lo accesorio. Esto obliga a dedicar tiempo extra a revisar y descartar estudios que no encajan con la pregunta de investigación. En cambio, una estrategia elaborada por un bibliotecario suele ser más ajustada desde el principio, porque está pensada para responder a criterios concretos y no para abarcar “todo lo que pueda sonar parecido”.
La experiencia humana sigue siendo irremplazable: La IA propone muchos términos, sí, pero no sabe cuándo un matiz importa. Afinar la estrategia de búsqueda, elegir el descriptor correcto o decidir si un término aporta ruido o información útil sigue siendo territorio humano. Las listas generadas por la IA necesitan ser revisadas, depuradas y enriquecidas por alguien que entienda el contexto, las particularidades del tema y las implicaciones metodológicas.
Limitaciones de acceso a bases de datos suscritas: Hoy por hoy, la mayoría de modelos de IA no pueden entrar en bases de datos científicas de pago. Esto significa que no pueden comprobar en tiempo real qué términos están indexados, qué descriptores existen o cómo se estructura un determinado tesauro especializado.
No puede moverse por tesauros especializados: Al no tener acceso a bases como EMBASE, CINAHL o PsycINFO, la IA no es capaz de navegar por sus tesauros y proponer descriptores correctos. Este es un punto crítico porque las estrategias de búsqueda más sólidas combinan términos libres con términos controlados, y esa fineza todavía no está al alcance de las herramientas generativas.
No descarga ni extrae referencias: Otra limitación importante es que la IA no puede descargar los resultados de la búsqueda ni gestionarlos en un gestor bibliográfico. Sigue siendo necesario pasar por las plataformas originales para obtener los registros y preparar la deduplicación o el cribado.
Siempre necesita supervisión: El uso de IA no elimina la figura del bibliotecario experto ni del equipo de revisión. Más bien cambia su papel: deja de ser quien hace cada paso manualmente para convertirse en quien valida, corrige y toma decisiones informadas. Sin esa supervisión, la IA puede generar estrategias amplias, pero no necesariamente adecuadas.

Un modelo sinérgico: IA + bibliotecario

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

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

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

En resumen (recuerda las pautas RAISE) …

La IA debe usarse como compañera de los humanos, no como sustituta.
Tú eres, en última instancia, responsable de su síntesis de la evidencia, incluida la decisión de usar IA y de garantizar la adhesión a las normas legales y éticas.
Usa la IA siempre que no comprometas el rigor metodológico ni la integridad de la síntesis.
Debes de informar de forma completa y trasparente del uso de cualquier IA que emita o sugiera juicios.

Guía práctica para incorporar IA en revisiones sistemáticas

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

1) Antes de usar IA: 4 decisiones clave

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

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

3) Buenas prácticas de reporte

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

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

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

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

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

5. Formación del equipo

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

📚 Recursos de formación recomendados:

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

6) Herramientas (ejemplos y notas prácticas)

7) Recomendación final

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

Bibliografía

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

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

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

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

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

¿Qué son los principios RAISE?

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

Inteligencia artificial dentro del marco RISE

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

Cómo se implementan las recomendaciones RISE

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

Pilar 1. Responsabilidad última: la firma es tuya.

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

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

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

Incluye siempre:

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

PILAR 3. Consideraciones éticas y legales.

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

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

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

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

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

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

Conclusión

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

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

Bibliografía

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

IA en Revisiones Sistemáticas: ¿Dónde aporta y cómo usarla bien?

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

Qué dice la evidencia más reciente sobre LLMs

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

¿Dónde aporta más (hoy) la IA?

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

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

Aprendizaje activo para priorizar lo relevante primero: Ayudar al revisor humano a reordenar los artículos para presentar primero los más relevantes (aprendizaje activo).
ASReview y SWIFT ActiveScreener alcanzaron recall altos en títulos/resúmenes (96,48% y 97,89%, respectivamente) y redujeron el number needed to read (NNR). En texto completo, Covidence y SWIFT obtuvieron recall 100% con precisión cercana al 50%, útil para priorizar sin suprimir la revisión humana.
Su uso en la primera fase del cribado frente al título/Abstract es prometedor pudiendo reducir la carga de trabajo significativamente, especialmente para el segundo revisor.
Su uso en la fase de escreening frente al texto completo es limitado y todos los artículos deben cribarse para garantizar que no se pierda nada, a pesar de la precisión de la IA
La implicación general es que la IA en esta fase debe verse como una herramienta complementaria y de apoyo, y no como un sustituto completo del juicio y la experiencia humana

2) Extracción de datos (modo asistido)

LLMs y asistentes tipo ChatGPT/Elicit/SciSpace pueden pre-rellenar tablas (autor, año, muestra, intervención…), pero la concordancia varía del 0% al 100% según el campo, y entre herramientas la fiabilidad puede ser baja-moderada; exige verificación por dos extractores humanos.
La extracción de datos es una de las fases del proceso de RS más frecuentemente abordadas por estudios sobre LLMs (Modelos de Lenguaje Grande). La IA puede identificar y extraer información clave, como el diseño del estudio, los resultados, o el tema principal de un artículo, lo que potencialmente minimiza el error humano y reduce el esfuerzo manual3. Dado que la extracción de datos, junto con el cribado, es una de las partes que más tiempo consume en una RS, la capacidad de herramientas como ChatGPT y CoPilot para acelerar esta fase es considerada un beneficio importante. Sin embargo, pesar de los resultados prometedores, la IA aún no está lista para reemplazar la extracción manual y presenta importantes fallas de fiabilidad.

3) Apoyo metodológico y redacción

Buen rendimiento para ideación de la pregunta, PICO, sinónimos y borradores de cadenas booleanas (que un especialista debe validar). En redacción, los LLMs ayudan a esqueletos de métodos/discusión y a preparar síntesis narrativas con control experto.

¿Dónde no conviene delegar (aún)?

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

El debate en torno al uso de la Inteligencia Artificial (IA) en la fase de Búsqueda en las Revisiones Sistemáticas se centra en su prometedor potencial para agilizar tareas específicas, contrarrestado por una baja fiabilidad y sensibilidad al intentar reemplazar la metodología de búsqueda tradicional, lo que exige una constante supervisión humana.

Baja Sensibilidad (Recall). Los buscadores IA (p. ej., Consensus, Elicit, SciSpace) mostraron recall muy bajo frente a estrategias manuales multibase: mejor caso ~18% y, en varios escenarios, 0–5%, en parte por cubrir Semantic Scholar y no bases con licencia/tras muro de pago. No sustituyen a MEDLINE/Embase/Scopus/WoS.
Alucinaciones y falta de fiabilidad en las referencias.
Inconsistencia en la Generación de Queries. Incluso cuando se limitan a la tarea de generar queries booleanas para bases de datos (un rol de asistencia), los resultados son impredecibles. Los LLMs no pueden recomendarse para la creación de estrategias de búsqueda complejas.
La IA puede utilizarse para identificar términos clave para el desarrollo de la estrategia y para tareas generales de alcance.

Es crucial que un bibliotecario experto con conocimientos en metodología de revisión valide la estrategia generada por la IA y la edite manualmente, ya que las estrategias generadas por ChatBots podría comprometer los resultados. Se requieren habilidades de prompt engineering para optimizar el rendimiento de la IA en tareas de recuperación de información.

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

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

C) Extracción desde tablas/figuras complejas

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

Flujo recomendado: IA-asistida, humano en el bucle

Riesgos (y cómo mitigarlos)

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

Recuerda:

Bibliografía

Kowalczyk P. Can AI Review the Scientific Literaure? Nature. 2024;635:276-8, doi: 10.1038/d41586-024-03676-9.
Lieberum J-L., Töws M., Metzendorf M-I., Heilmeyer F., Siemens W., Haverkamp C., et al. Large language models for conducting systematic reviews: on the rise, but not yet ready for use – a scoping review. 2024, doi: 10.1101/2024.12.19.24319326.
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.

¿Herramientas de IA en búsquedas para revisiones sistemáticas?

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

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

Resultados

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

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

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

Discusión

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

Recomendaciones de implementación

La CDA-AMC propuso un uso limitado y estratégico:

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

Conclusión

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

Reflexiones para quienes trabajamos en bibliotecas médicas

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

Evaluacion de la calidad de los estudios incluidos en una revisión sistemática

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

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

Es importante distinguir entre riesgo de sesgo y calidad metodológica

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

¿Qué puede sesgar la evaluación de calidad?

El juicio de calidad que emite una persona revisora no siempre es objetivo. Distintos factores pueden influir en su valoración:

Nombre de los autores o afiliaciones institucionales;
Revista donde se publica el estudio;
Resultados del estudio (si son positivos o negativos);
Experiencia previa y formación metodológica del evaluador:
Conflictos de interés, como ocurre cuando quienes evalúan han participado como autores en algunos de los estudios incluidos.

Por ejemplo, Pieper et al. (2018) encontraron que las revisiones sistemáticas en las que los autores de la revisión general también habían participado en alguna de las revisiones incluidas tendían a recibir puntuaciones de mayor calidad.

¿Cómo reducir el sesgo de interpretación?

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

Usar herramientas estructuradas y validadas

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

Existen numerosos instrumentos desarrollados en las últimas décadas, lo que puede dificultar la elección. Algunas fuentes útiles para orientar esta decisión son:

El diagrama de flujo proporcionado por LATITUDES es una guía valiosa en este proceso de selección de la herramienta, pero es importante complementarlo con un conocimiento profundo de las características de cada herramienta y las especificidades del estudio en cuestión. Una selección cuidadosa asegura que todos los aspectos relevantes de la calidad del estudio sean evaluados adecuadamente, fortaleciendo así la validez de la síntesis de evidencia.

Evaluación por revisores múltiples

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

Evaluación ciega

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

BIBLIOGRAFÍA

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

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

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

JBI. JBI Critical Appraisal Tools. n.d. Available from: https://jbi.global/critical-appraisal-tools [Last accessed: 7/9/2025].

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

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

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

Errores frecuentes

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

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

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

¿Cómo reducir los errores?

Existen varias estrategias recomendadas:

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

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

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

BIBLIOGRAFÍA

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

Selección de estudios sin sesgos en revisiones sistemáticas: 6 principios y 4 consejos

En la anterior entrada hablamos de los sesgos en la búsqueda en revisiones sistemáticas y otros documentos de síntesis. Ahora vamos a tratar cómo evitar el sesgo de selección en revisiones sistemáticas.

Tras definir la estrategia de búsqueda y recuperar los registros de los estudios, la siguiente etapa crucial en una revisión sistemática es la selección de los documentos relevantes. En este paso hay que determinar que estudios cumplen los criterios de inclusión.

Uno de los riesgos metodológicos más significativos es el sesgo de selección, el cual puede afectar la solidez y la validez de los resultados, pero con un enfoque cuidadoso, es posible mitigarlo eficazmente.

¿Qué es el sesgo de selección? Existen dos tipos principales:

Selección intencionada o sesgada: se produce cuando quienes revisan incluyen o excluyen estudios voluntariamente para apoyar una hipótesis previa o una posición determinada. Este fenómeno se manifiesta en múltiples disciplinas, desde las ciencias sociales hasta la medicina, donde la objetividad en la revisión de la evidencia puede verse comprometida.

Es el fenómeno conocido como cherry-picking, estrechamente vinculado al sesgo de confirmación, es decir, seleccionar solo la evidencia que respalda una postura y descartar la que la contradice. Esta práctica no solo distorsiona los resultados de la investigación, sino que también puede llevar a conclusiones erróneas y decisiones mal fundamentadas, afectando así la integridad del conocimiento científico y la confianza del público en la investigación. Es crucial que los investigadores permanezcan conscientes de este sesgo y busquen un abordaje equilibrado y crítico al evaluar la evidencia, incluyendo datos que puedan desafiar sus propias suposiciones.

Error aleatorio en la selección: aparece cuando los criterios son ambiguos o cuando influyen los conocimientos previos del revisor sobre el tema. Esta variabilidad subjetiva puede generar inconsistencias importantes, lo que dificulta la objetividad del proceso de selección. Cuando un revisor basa su juicio en conocimientos previos, corre el riesgo de sesgar la evaluación, llevando a un análisis que no refleja necesariamente la realidad del contexto actual. Además, la falta de claridad en los criterios puede crear más confusión y provocar decisiones arbitrarias que no se alinean con el propósito original de la selección. Por lo tanto, es esencial establecer definiciones claras y precisas que guíen a los revisores y minimicen el impacto de opiniones personales en el resultado final.

¿Cómo reducir el sesgo de selección?

Se recomienda actuar en dos niveles clave: los criterios de selección y el número de revisores implicados.

1. Definir criterios claros y a priori

Los criterios deben ser explícitos, inequívocos y predefinidos. Todos los miembros del equipo deben compartir una comprensión común sobre qué se incluye y qué se excluye, lo que fomentará una alineación efectiva y minimizará la ambigüedad en la toma de decisiones. Una vez que se han establecido los criterios de inclusión y exclusión, es necesario redactar una lista de verificación con de criterios de elegibilidad. Esta guiará a los revisores a lo largo del proceso de selección, y una lista de verificación bien elaborada contribuirá a ahorrar tiempo y a minimizar errores durante el proceso de selección. Es recomendable ordenar los criterios de más relevantes a menos o por pragmatismo, de esta forma es más rápido el proceso de exclusión. La falta de cumplimiento de uno solo de los criterios basta para eliminar el estudio. Si hay un «no» no hay que seguir revisando el estudio.
Se aconseja pilotar los criterios con una muestra de unos pocos artículos (aprox. 5 a 10) de títulos y resúmenes, con participación de todos las personas que van a cribar. Este pilotaje previo permite ver discrepancias de aplicación de los criterios de elegibilidad, afinar la aplicación de los criterios y detectar ambigüedades (1).
Es importante evitar criterios excesivamente restrictivos. Como norma general, no debe aplicarse límites de idioma, fecha de publicación, tipos de publicación y el estado de la publicación en la búsqueda para revisiones sistemáticas, ya que se pueden dejar de recuperar registros relevantes. Estas restricciones pueden introducir sesgos significativos y limitar la generalización de los hallazgos.

2. Incorporar el doble cribado. Diversos estudios muestran que la criba por un único revisor tiende a omitir más estudios relevantes.

Gartlehner et al. (2) observaron que el cribado individual de resúmenes omitía un 13% de los estudios relevantes, frente al 3% con cribado doble, lo que indica una diferencia significativa en la eficacia de ambos métodos de selección de literatura, resaltando la importancia del cribado doble para una revisión sistemática más exhaustiva y menor sesgo.
Waffenschmidt et al. (3) encontraron una mediana de omisión del 5% en el cribado individual, con un rango muy amplio (hasta el 57,8%), dependiendo del grado de experiencia del revisor.
El impacto de estos errores fue más significativo cuando las personas que realizaban el proceso de selección eran menos experimentados. Con revisores expertos, el efecto en los metaanálisis fue mínimo.

¿Cribado completo o limitado? Hay diferentes estrategias según la fase del cribado:

El cribado completo (dos revisores independientes tanto para títulos/resúmenes como para texto completo) mejora la identificación de estudios pertinentes.
El cribado dual limitado (un revisor para títulos/resúmenes y dos para textos completos) es más eficiente, pero algo menos exhaustivo. Este es el enfoque recomendado para las revisiones sistemáticas rápidas (1).
Stoll et al. (4) concluyeron que el cribado completo permitió recuperar más artículos excluidos erróneamente (0,4% frente al 0,2% en la estrategia limitada).

Duplicar el proceso de selección de estudios reduce tanto el riesgo de cometer errores como la posibilidad de que la selección se vea influida por los sesgos de una sola persona. En los casos de cribado por dos personas independientes las discrepancias entre ellos puede resolverse tras discusión y consenso de los revisores o establecer un árbitro para ello.

Estrategias del proceso de selección de estudios desde revisor único a cribado por dos revisores independientes, ordenados de mayor riesgo (rojo) a menor riesgo de sesgo (verde).

En la siguiente tabla se recogen diversas estrategias para minimizar el sesgo de selección:

	Riesgo de sesgo	Estrategias recomendadas
Criterios de selección	Ambigüedad, subjetividad, interpretación variable.	Definir criterios explícitos y predefinidos Pilotar los criterios con todo el equipo
Restricciones excesivas	Excluir estudios por idioma, lugar de publicación o fecha.	Evitar restricciones arbitrarias que no estén justificadas metodológicamente
Número de revisores	Mayor omisión de estudios relevantes en cribado individual.	Realizar cribado doble, al menos en texto completo Revisores con experiencia reducen errores
Estrategia de cribado	Cribado limitado puede omitir estudios pertinentes.	Optar por cribado completo cuando sea factible Justificar la estrategia adoptada en el protocolo

En la siguiente figura se resumen los 6 principios de la selección de estudios en una revisión sistemática:

Finalmente, aquí vemos 4 recomendaciones para optimizar el proceso de selección de estudios:

BIBLIOGRAFÍA

Garritty C, Gartlehner G, Nussbaumer-Streit B, et al. Cochrane Rapid Reviews Methods Group offers evidence-informed guidance to conduct rapid reviews. Journal of Clinical Epidemiology 2021;130:13–22; doi: 10.1016/j.jclinepi.2020.10.007.
Gartlehner G, Affengruber L, Titscher V, Noel-Storr A, Dooley G, Ballarini N, König F, Single-reviewer abstract screening missed 13 percent of relevant studies: a crowd-based, randomized controlled trial, Journal of Clinical Epidemiology (2020), doi: https://doi.org/10.1016/j.jclinepi.2020.01.005)
Waffenschmidt S, Knelangen M, Sieben W, et al. Single screening versus conventional double screening for study selection in systematic reviews: a methodological systematic review. BMC Med Res Methodol 2019;19(1):132; doi: 10.1186/s12874-019-0782-0.
Stoll CRT, Izadi S, Fowler S, et al. The value of a second reviewer for study selection in systematic reviews. Research Synthesis Methods 2019;10(4):539–545; doi: 10.1002/jrsm.1369.
Muka T, Glisic M, Milic J, Verhoog S, Bohlius J, Bramer W, Chowdhury R, Franco OH. A 24-step guide on how to design, conduct, and successfully publish a systematic review and meta-analysis in medical research. Eur J Epidemiol. 2020;35(1):49-60. doi: 10.1007/s10654-019-00576-5

Evitar sesgos en la búsqueda bibliográfica: claves para revisiones rigurosas

La base de toda revisión sistemática y otros estudios de síntesis sólidos es una búsqueda de evidencia cuidadosamente diseñada y rigurosamente ejecutada (1). En la búsqueda bibliográfica cómo se busca, dónde se busca y quién diseña la estrategia son factores que pueden marcar una diferencia crítica en la calidad de la evidencia recopilada.

En dos entradas anteriores de este blog de título «Sesgo de publicación y sesgos relacionados» (2) y «Sesgos en la localización de estudios para una revisión sistemática» (3) ya tratamos el tema de los sesgos. Ahora veremos los principales tipos de sesgos del proceso de búsqueda y cómo minimizarlos.

¿Qué sesgos pueden aparecer?

En el proceso de búsqueda pueden surgir dos tipos principales de sesgos:

Sesgo de identificación: aparece cuando no se localizan estudios relevantes, a menudo porque la estrategia de búsqueda no es suficientemente sensible o porque no se han explorado todas las fuentes pertinentes. Este tipo de sesgo es especialmente problemático en revisiones sistemáticas que sirven de base para tomar decisiones clínicas, ya que puede comprometer la validez de los resultados.

Sesgo de diseminación (o de publicación): se produce cuando los resultados de un estudio influyen en su probabilidad de ser publicados. Por ejemplo, los estudios con resultados positivos tienen más probabilidades de publicarse, de hacerlo en inglés, con mayor rapidez o de recibir más citas. Este fenómeno puede distorsionar la percepción de la eficacia de una intervención.

¿Cómo reducir estos sesgos?

Diseñar una estrategia de búsqueda rigurosa, con la colaboración de un especialista en información. Idealmente, esta estrategia debe ser revisada por pares antes de ser ejecutada (1,4-6). La participación de bibliotecarios especializados en ciencias de la salud en revisiones sistemáticas no es un añadido opcional, sino una práctica recomendada por las principales guías metodológicas (7-9) y respaldada por la evidencia científica (10-11).
Utilizar múltiples bases de datos bibliográficas. Se recomienda un mínimo de dos para revisiones sistemáticas, pero también se debe justificar su elección. Según el Cochrane Handbook, el objetivo de las búsquedas es identificar todos los estudios relevantes disponibles, lo que requiere desarrollar estrategias lo más sensibles posibles, sin perder de vista la pertinencia de los resultados (7). Debemos hacer balance entre la precisión y exhaustividad pero teniendo en cuenta que el objetivo de una búsqueda para una RS es identificar todos los estudios pertinentes (maximizar la sensibilidad pero con una precisión razonable). Una de las cuestiones más complicadas es cuando dar por finalizada la búsqueda. En este equilibrio entre amplitud y relevancia, la experiencia del bibliotecario resulta fundamental.
Ampliar la búsqueda más allá de las bases de datos. La inclusión de fuentes como motores de búsqueda, registros de ensayos clínicos, literatura gris, búsqueda complementaria de citas (forward y backward) y el contacto con expertos puede ser clave para identificar estudios que de otro modo pasarían desapercibidos.
Incluir estudios no publicados. Dado que una parte significativa de los estudios completados no se publican (12), buscarlos activamente en registros, literatura gris o sitios web especializados contribuye a mitigar el sesgo de publicación (13).

Tipo de sesgo	Descripción	Estrategias para minimizarlo
Sesgo de identificación	No se recuperan todos los estudios relevantes.	Diseñar una estrategia exhaustiva con ayuda de un bibliotecario experto Usar ≥2 bases de datos Evitar el uso uso de filtros/límites Ampliar con búsquedas complementarias
Sesgo de publicación o diseminación	Solo se publican ciertos tipos de resultados, como los positivos.	Buscar literatura gris Consultar registros de ensayos clínicos Contactar expertos Incluir estudios no publicados

Un dato revelador

Greenhalgh y Peacock (14) encontraron que solo el 25% de los artículos incluidos en su revisión fueron recuperados a través de bases de datos electrónicas. El resto provino de rastrear citas, conocimiento personal, contactos o búsqueda manual.

BIBLIOGRAFÍA

Metzendorf MI, Featherstone RM. Ensuring quality as the basis of evidence synthesis: leveraging information specialists’ knowledge, skills, and expertise. Cochrane Database of Systematic Reviews 2018, Issue 9. Art. No.: ED000125. doi: 10.1002/14651858.ED000125.
Campos-Asensio C. Sesgo de publicación y sesgos relacionados. 2023. Available from: https://bibliogetafe.com/2023/11/09/sesgo-de-publicacion-y-sesgos-relacionados/ [Last accessed: 6/23/2025].
Campos-Asensio C. Sesgos en la localización de estudios para una revisión sistemática. 2021. Available from: https://bibliogetafe.com/2021/05/17/sesgos-en-la-localizacion-de-estudios-para-una-revision-sistematica/ [Last accessed: 6/23/2025].
McGowan J, Sampson M. Systematic reviews need systematic searchers. JMLA 2005;93(1):74–80.
Rethlefsen ML, Farrell AM, Osterhaus Trzasko LC, Brigham TJ. Librarian co‐authors correlated with higher quality reported search strategies in general internal medicine systematic reviews. Journal of Clinical Epidemiology2015;68(6):617–26. doi: 10.1016/j.jclinepi.2014.11.025
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. 2016.75:40–46. doi: 10.1016/j.jclinepi.2016.01.021
Lefebvre C, Manheimer E, Glanville J. Chapter 6: Searching for studies. In: Higgins JPT, Green S. (Editors). Cochrane handbook for systematic reviews of interventions version 5.1.0. Updated March 2011. Accessed July 27, 2022. https://handbook-5-1.cochrane.org/chapter_6/6_searching_for_studies.htm
Aromataris E, Munn Z. Chapter 1: JBI systematic reviews. In: Aromataris E, Munn Z (Editors). In: JBI Manual for Evidence Synthesis. JBI; 2020. Accessed July 27, 2022. https://jbi-global-wiki.refined.site/space/MANUAL
Kugley S, Wade A, Thomas J, et al. Searching for studies: a guide to information retrieval for Campbell Systematic Reviews. Oslo: The Campbell Collaboration; 2017. Accessed July 27, 2022. doi: 10.4073/cmg.2016.1
Rethlefsen ML, Murad MH, Livingston EH. Engaging medical librarians to improve the quality of review articles. JAMA. 2014;312(10):999-1000. doi:10.1001/jama.2014.9263
Kirtley S. Increasing value and reducing waste in biomedical research: librarians are listening and are part of the answer. Lancet. 2016;387(10028):1601. doi:10.1016/S0140-6736(16)30241-0
Campos-Asensio C. ¿Sabes cuantos ensayos clínicos que empiezan y llegan a terminarse nunca se publican? 2021. Disponible en: https://bibliogetafe.com/2021/04/12/sabes-cuantos-ensayos-clinicos-que-empiezan-y-llegan-a-terminarse-nunca-se-publican/ [Last accessed: 6/23/2025].
Hong QN, Brunton G. Helping Trainees Understand the Strategies to Minimize Errors and Biases in Systematic Review Approaches. Educ Information. 2025;41(3):161–175; doi: 10.1177/01678329251323445.
Greenhalgh, T., & Peacock, R. (2005). Effectiveness and efficiency of search methods in systematic reviews of complex evidence: Audit of primary sources. BMJ. 2005:331(7524), 1064–1065. doi: 10.1136/bmj.38636.593461.68

El papel del bibliotecario en la fase inicial de una revisión sistemática

En otras entradas de este blog hemos hablado de la importancia de planificar correctamente una revisión sistemática, como en los 13 pasos para la planificación de una revisión o en la explicación de la metodología de búsqueda según JBI. Hoy ponemos el foco en un momento clave del proceso: el primer paso que da el bibliotecario cuando comienza a colaborar en una revisión sistemática.

Antes de diseñar la estrategia de búsqueda definitiva, es imprescindible realizar una búsqueda preliminar exploratoria, identificar revisiones en curso en registros como PROSPERO y, a partir de todo ello, refinar y delimitar adecuadamente la pregunta de investigación. Esta fase inicial es fundamental para asegurar la pertinencia del trabajo, evitar duplicaciones y aportar valor a la evidencia existente.

Estos primeros pasos no siempre son visibles, pero son esenciales para que la revisión tenga solidez metodológica desde el inicio. El papel del bibliotecario en esta fase no solo es técnico, sino estratégico: contribuye activamente a que el equipo investigador formule una pregunta clara, contextualizada y alineada con la literatura disponible. Como se muestra en la imagen, incluso las herramientas de IA generativa pueden ser un apoyo en esta etapa exploratoria, aunque siempre deben usarse de forma crítica y complementaria, nunca como sustituto de las fuentes especializadas.

Herramientas y tips para revisiones sistemáticas desde la práctica bibliotecaria. Parte 1. Recolección de términos controlados y libres.

El pasado martes tuve el placer de impartir el curso “Fundamentos metodológicos de revisiones sistemáticas”, organizado por BiblioSalud, la red de bibliotecarios y profesionales de la información en ciencias de la salud de España. Esta sesión formativa, dirigida especialmente a bibliotecarios médicos, se centró en los aspectos clave que debemos conocer para comprender y acompañar con rigor el desarrollo de una revisión sistemática.

En esta entrada del blog quiero comenzar a compartir una selección de las herramientas y recomendaciones prácticas que utilizo habitualmente en mi trabajo diario con documentos de síntesis de evidencia.

El objetivo es ofrecer una guía no exhaustiva, hay muchas y variadas (ver figura) pero con recomendaciones y herramientas útiles y basada en mi experiencia, que sirva tanto a quienes empiezan como a quienes ya participan en revisiones sistemáticas desde las bibliotecas.

Voy a dividir las herramientas en varios apartados según su uso:

Recolección de términos controlados y libres.
Proceso de búsqueda y cribado.
Chatbots e inteligencia artificial para apoyar la confección de estrategias booleanas.
Herramientas para la búsqueda complementaria.
Otras herramientas recomendadas para las revisiones sistemáticas.

En esta entrada veremos las primeras de estas herramientas y recomendaciones para la recolección de términos.

Recolección de términos

Uno de los pasos más críticos en cualquier revisión sistemática es la correcta identificación de términos controlados y palabras clave. Una estrategia de búsqueda bien construida comienza con una recolección exhaustiva de términos y para ello contamos con una serie de recursos imprescindibles:

1.1. Entry Terms de MeSH Database.

La herramienta clásica para explorar la jerarquía de los Medical Subject Headings (MeSH). Nos permite ver la definición de cada término, sus sinónimos, su posición dentro del árbol jerárquico, subencabezamientos permitidos y términos relacionados o «Entry Terms». Fundamental para identificar los términos controlados exactos que se deben utilizar en PubMed y para entender el enfoque conceptual con el que el sistema indexa los documentos.

1.2. Sinónimos de Emtree de EMBASE

El Emtree es el tesauro específico de la base de datos Embase. Su lógica es similar al MeSH pero tiene su propia estructura y contiene más términos, especialmente útiles para temas en farmacología o dispositivos médicos. Conviene hacer búsquedas paralelas en MeSH y Emtree para comparar coberturas y encontrar sinónimos o variantes terminológicas que pueden enriquecer la estrategia.

1.3. Yale MESH Analyzer https://mesh.med.yale.edu/

Esta herramienta permite comparar los términos MeSH asignados, los términos empleados en el título y resumen así como las palabras clave de los autores a un conjunto de artículos. Es especialmente útil para detectar patrones o términos recurrentes en la literatura más relevante sobre tu tema. Solo necesitas extraer los PMIDs de los artículos clave y el analizador los agrupa mostrando visualmente los MeSH comunes. Ideal para verificar si estás pasando por alto términos relevantes o para ajustar tu estrategia inicial.

1.4. Word Freq de SR Accelerator (ahora TERA) https://tera-tools.com/

Esta herramienta permite analizar la frecuencia de palabras en títulos y resúmenes de los resultados de una búsqueda bibliográfica. Solo necesitas copiar y pegar el listado de referencias (por ejemplo, desde PubMed) y Word Freq generará un listado de términos ordenados por frecuencia. Es especialmente útil para:

Identificar términos clave y sinónimos que puedes haber pasado por alto.
Detectar conceptos emergentes o patrones de lenguaje en la literatura.
Afinar tu estrategia de búsqueda ajustando los términos libres.

Una herramienta sencilla pero muy eficaz para enriquecer la fase exploratoria de cualquier revisión sistemática.

1.5. PubReminer https://hgserver2.amc.nl/cgi-bin/miner/miner2.cgi

Es una potente herramienta para realizar minería de datos sobre resultados de PubMed. Introduciendo una lista de PMIDs o haciendo una búsqueda directa, puedes ver las frecuencias de palabras en títulos, resúmenes y términos MeSH. También puedes analizar la aparición de autores, revistas, años de publicación… Es perfecta para afinar términos libres y obtener una imagen más clara del contexto bibliográfico.

1.6. MeSH on Demand https://meshb.nlm.nih.gov/MeSHonDemand

Desarrollado por la National Library of Medicine, este recurso es especialmente útil cuando partimos de un texto breve (como el resumen de un protocolo o el título de un artículo). Solo tienes que copiar el contenido y MeSH on Demand te devuelve sugerencias de términos MeSH relevantes. Es una excelente forma de inspirarte cuando aún estás perfilando la estrategia inicial.

1.7. Asistente de inteligencia artificial MeshMaster

MeSHMaster es un chatbot especializado que utiliza inteligencia artificial para ayudarte a construir estrategias de búsqueda booleanas, combinando términos MeSH y palabras clave libres. A partir de una descripción breve del tema o una pregunta clínica, el asistente sugiere:

Términos MeSH relevantes y sinónimos.
Combinaciones booleanas iniciales (AND, OR, NOT).
Variantes terminológicas en inglés que pueden enriquecer la sensibilidad de la búsqueda.

Es una herramienta especialmente útil en las primeras fases de diseño de la estrategia, cuando se busca inspiración o una validación rápida de conceptos clave. Aporta rapidez sin perder la lógica estructural que requiere una buena estrategia de búsqueda.

Te invito a seguir mis próximas entradas para descubrir cómo integrar estas herramientas en tu revisión sistemática.

La inteligencia artificial (IA) para la calificación semiautomatizada de la calidad de la evidencia en revisiones sistemáticas (GRADE)

La evaluación de la calidad de la evidencia en revisiones sistemáticas (RS) es esencial para la toma de decisiones. Aunque el sistema GRADE (Grading of Recommendations Assessment, Development and Evaluation) ofrece un enfoque consolidado para calificar el nivel de evidencia, su aplicación es compleja y requiere mucho tiempo. La inteligencia artificial (IA) puede utilizarse para superar estas barreras.

En este contexto, acaba de publicarse un estudio experimental analítico que busca desarrollar y evaluar la herramienta URSE basada en IA para la semiautomatización de una adaptación del sistema de clasificación GRADE, determinando niveles de evidencia en RS con metaanálisis compilados de ensayos clínicos aleatorizados (1).

Las conclusiones de este estudio revelan que el rendimiento del sistema GRADE automatizado URSE es insatisfactorio en comparación con los evaluadores humanos. Este resultado indica que el objetivo de utilizar la IA para GRADE no se ha alcanzado.

Las limitaciones del sistema GRADE automatizado URSE reforzaron la tesis de que las herramientas potenciadas por IA deben utilizarse como una ayuda para el trabajo humano y no como un sustituto del mismo. En este contexto, el  sistema GRADE automatizado URSE puede utilizarse como segundo o tercer revisor, lo que mejora la objetividad de las dimensiones GRADE, reduce el tiempo de trabajo y resuelve discrepancias. 

Los resultados demuestran el uso potencial de la IA en la evaluación de la calidad de la evidencia. Sin embargo, considerando el énfasis del enfoque GRADE en la subjetividad y la comprensión del contexto de producción de evidencia, la automatización completa del proceso de clasificación no es oportuna. No obstante, la combinación del sistema GRADE automatizado URSE con la evaluación humana o la integración de esta herramienta en otras plataformas representa direcciones interesantes para el futuro.

En el siguiente enlace encontrarás un resumen del artículo:
https://hacia-la-automatizacion--1z75d14.gamma.site/

BIBLIOGRAFÍA

Oliveira dos Santos A, Belo VS, Mota Machado T, et al. Toward automating GRADE classification: a proof-of-concept evaluation of an artificial intelligence-based tool for semiautomated evidence quality rating in systematic reviews. BMJ Evidence-Based Medicine. 2025. doi: 10.1136/bmjebm-2024-113123

Retos y errores frecuentes en la búsqueda de evidencia en revisiones sistemáticas

Características de las búsquedas para revisiones sistemáticas

Las revisiones sistemáticas requieren estrategias de búsqueda rigurosas (que identifiquen todos los registros relevantes, pero no tan amplia como para que haya demasiados artículos irrelevantes), transparentes y reproducibles (documentando los pasos que se dieron durante la búsqueda) de tal forma que permita que los futuros equipos de investigación se basen en el trabajo de la revisión sistemática (RS), así como también lo evalúen, valoren y critiquen.

Fuente: elaboración propia (Importacia de las estrategias de búsqueda en las revisiones sistemáticas © 2025 by Concepción Campos-Asensio is licensed under CC BY-ND 4.0 )

Entre los objetivos de la búsqueda en revisiones sistemáticas es de realizar una búsqueda exhaustiva evitando sesgos como los resultantes de la no publicación de estudios, el sesgo de publicación y el sesgo del idioma ver entradas «Sesgo de publicación y sesgos relacionados» y «Sesgos en la localización de estudios para una revisión sistemática«).

Fuente: elaboración propia (Implicaciones de los errores de búsqueda de evidencia en la validez de los resultados de la revisión sistemática © 2025 by Concepción Campos-Asensio is licensed under CC BY-ND 4.0 )

Las revisiones sistemáticas requieren una búsqueda sistemática. Dada la complejidad de los lenguajes y reglas de indexación de las diversas bases de datos, la mejor manera para que el equipo de investigación asegure el rigor de la búsqueda es incluir un bibliotecario en el equipo de revisión.

Retos en la búsqueda de evidencia

El primer elemento de una revisión sistemática es la propia pregunta. La pregunta determinará el desarrollo de la estrategia de búsqueda y qué tipo de estudios se encontrarán. Si la pregunta no es lo suficientemente clara en este punto, es posible que no se detecten artículos que puedan ser de interés o que se encuentren muchos artículos que no son lo que se quiere.

Fuente: elaboración propia (Retos comunes en las estrategias en las revisiones sistemáticas © 2025 by Concepción Campos-Asensio is licensed under CC BY-ND 4.0 )

Traslado de la pregunta de investigación a la estrategia de búsqueda. La pregunta es el punto de partida para estructurar una estrategia de búsqueda, es la de identificar los principales conceptos de la pregunta clínica (generalmente en un formato PICO para revisiones de intervención y PEO para revisiones de factores de riesgo). Los errores más comunes para traducir una pregunta de investigación en un plan de búsqueda incluyen perder un concepto importante y agregar demasiados conceptos. (ver entrada «¿Debo incluir los Resultados (Outcomes) en la estrategia de búsqueda de una revisión sistemática?«).

Aplicar límites. de forma segura para evitar sesgos y disminución de la sensibilidad. Los límites más empleados son los límites temporal, de idiomas o de acceso al texto completo gratuito pero estos solo se deben incluir en la estrategia si está justificado metodológicamente. La mejor manera de aplicar límites es hacerlo de tal manera que la búsqueda incluya registros indexados por un límite deseado sin faltar registros que cumplan con esa misma descripción pero que no se indexan de esa manera. Esto se puede lograr mediante el uso cuidadoso del operador booleano NOT (por ejemplo, para eliminar estudios animales y quedarnos solo con estudios en humanos). Ver entrada «¿Cómo limitamos el resultado de una búsqueda bibliográfica a solo humanos?: Recomendación para búsqueda en revisiones sistemáticas«. También debemos tener presente la utilización de los llamados filtros de búsqueda (ver entrada: «Qué son los filtros de búsqueda y principales herramientas para su localización«).

Errores comunes en las estrategias de búsqueda en revisiones sistemáticas

Errores en la selección de las fuentes de búsqueda

La producción de una revisión sistemática requiere la búsqueda sistemática en varias bases de datos bibliográficas. Se desconoce el número óptimo de bases de datos que hay que consultar, sin embargo, buscar en una sola base de datos no es suficiente, aunque no existe evidencia de la cantidad de bases de datos en las que se debe buscar. Una sola base de datos no representa todas las investigaciones potencialmente relevantes que existen. Al elegir incluir solamente una base de datos, el revisor está introduciendo un sesgo de selección en esta etapa temprana del proceso de revisión. La búsqueda solo de PubMed y Embase recupera el 71.5% de las publicaciones incluidas, mientras que agregar bases de datos adicionales a las estrategias de búsqueda aumenta la recuperación al 94.2% (el 5.8% de las referencias no se recuperan en ninguna base de datos) (Frandsen TF, Moos C, Linnemann Herrera Marino CI, Brandt Eriksen M, Supplementary databases increased literature search coverage beyond PubMed and Embase, Journal of Clinical Epidemiology (2025), doi: https://doi.org/10.1016/j.jclinepi.2025.111704.). Ver entrada «En qué bases de datos debemos buscar para una revisión sistemática: La producción de una revisión sistemática requiere la búsqueda sistemática en varias bases de datos bibliográficas.»En qué bases de datos debemos buscar para una revisión sistemática: La producción de una revisión sistemática requiere la búsqueda sistemática en varias bases de datos bibliográficas» y «Cobertura y solapamiento de las bases de datos utilizadas en las revisiones sistemáticas de ciencias de la salud«).

Fuente: elaboración propia (Errores en la selección de las fuentes de información en la búsqueda en revisiones sistemáticas © 2025 by Concepción Campos-Asensio is licensed under CC BY-ND 4.0 )

La búsqueda ha de realizarse en bases de datos automatizadas, pero también ha de incluirse búsquedas que complementen esta, como es la búsqueda de literatura gris. Si uno realmente quiere localizar toda la evidencia que hay no puede detenerse en la búsqueda de las principales bases de datos.

Insuficiente amplitud o sensibilidad de la búsqueda

La estrategia de búsqueda ha de ser una combinación de términos del lenguaje natural (campo de título y abstract) y el vocabulario controlado de las bases de datos consultadas (Leblanc V, Hamroun A, Bentegeac R, Le Guellec B, Lenain R, Chazard E. Added Value of Medical Subject Headings Terms in Search Strategies of Systematic Reviews: Comparative Study. J Med Internet Res. 2024 Nov 19;26:e53781. doi: 10.2196/53781.).

Fuente: elaboración propia (Búsquedas para revisiones sistemáticas © 2024 by Concepción Campos-Asensio is licensed under CC BY-ND 4.0 )

La recolección de términos consiste en localizar toda la terminología que represente cada concepto de la pregunta de investigación.

Fuente: elaboración propia (Insuficiente amplitud o sensibilidad de la búsqueda en revisiones sistemáticas © 2025 by Concepción Campos-Asensio is licensed under CC BY-ND 4.0 )

Debemos hacer balance entre la precisión y exhaustividad pero teniendo en cuenta que el objetivo de una búsqueda para una RS es identificar todos los estudios pertinentes (maximizar la sensibilidad pero con una precisión razonable). Una de las cuestiones más complicadas es cuando dar por finalizada la búsqueda. Una de las cuestiones más complicadas es cuando dar por finalizada la búsqueda.

Representación visual de precisión y sensibilidad al realizar una búsqueda de literatura de una revisión sistemática. Modificada y traducida de: Kumar V, Barik S, Raj V, Varikasuvu SR. Precision and Sensitivity: A Surrogate for Quality of Literature Search in Systematic Reviews. Clin Spine Surg. 2025;38(1):34-6.

Para maximizar la sensibilidad de nuestra búsqueda hemos de maximizar la inclusión de todos los términos de búsqueda relevantes para cada concepto. Utilizar el operador booleano OR entre los términos sinónimos e incluir los encabezamientos de materia junto con los términos de texto libre. Además, debemos evitar el uso uso de filtros. A la búsqueda en base de datos debemos añadir la búsqueda de la bibliografía de los estudios incluidos y la búsqueda prospectiva de las citas a estos estudios (ver entrada «Persecución de citas «hacia delante» y «hacia atrás» en una revisión sistemática (‘citation chasing’, ‘citation searching’, ‘citation tracking’, ‘snowballing’, ‘pearl growing’, ‘footnote chasing’, ‘reference scanning’, ‘reference checking’, ‘bibliographic checking’, ‘citation mining’ o ‘reference harvesting’)«).

Errores en la ejecución de las búsquedas

Salvador-Oliván y cols., encontraron que, de las estrategias de búsqueda, el 92,7% contenían algún tipo de error. Para facilitar su presentación, los errores se agruparon en 2 categorías: los que afectan al recuerdo y los que no, siendo más frecuentes los primeros (78,1%) que los segundos (59,9%). La tabla siguiente presenta la frecuencia de los distintos tipos de errores.

Errores más comunes en las búsquedas en revisiones sistemáticas. Fuente: Salvador-Oliván JA, Marco-Cuenca G, Arquero-Avilés R. Errors in search strategies used in systematic reviews and their effects on information retrieval. J Med Libr Assoc. 2019 Apr;107(2):210-221. doi: 10.5195/jmla.2019.567.

Más recientemente, Rethlefsen y cols. encontraron que el 56.0% (163/291) de todas las búsquedas de bases de datos contenía al menos un error (Rethlefsen ML, Brigham TJ, Price C, Moher D, Bouter LM, Kirkham JJ, Schroter S, Zeegers MP. Systematic review search strategies are poorly reported and not reproducible: a cross-sectional metaresearch study. J Clin Epidemiol. 2024 Feb;166:111229. doi: 10.1016/j.jclinepi.2023.111229.).

Son relativamente fácil de tener errores con palabras mal escritas (3,8%) y errores en la sintaxis del sistema que no se encuentran fácilmente mediante la revisión ortográfica.

Fuente: elaboración propia (Errores en la ejecución de las búsquedas en revisiones sistemáticas © 2025 by Concepción Campos-Asensio is licensed under CC BY-ND 4.0 )

Es frecuente cometer errores en la aplicación de operadores booleanos (por ejemplo, OR puede haber sido sustituido involuntariamente por AND (o viceversa), o AND puede haberse utilizado para vincular frases o palabras (por ejemplo, como una conjunción) en lugar de como un operador booleano) y, más a menudo, olvidar usarlos son comunes. La mayoría de las bases de datos asumirán un AND cuando falte un operador, lo que reducirá en gran medida la sensibilidad y la precisión de su búsqueda. Por otro lado, algunas plataformas de búsqueda ignora los operadores booleanos cuando se escriben en minúscula aplicando el operador AND automáticamente al ser el operador por defecto. Esto ocurre en PubMed por lo que es recomendable escribir los operadores booleanos siempre en mayúscula.

Otro error común es la falta de precisión en la combinación con los operadores booleanos de los números de línea correcta. Por eso es muy recomendable verificar cada número de línea y combinaciones de números de línea para asegurarse de que la lógica de búsqueda se implementó correctamente.

Para intentar paliar estos errores de ejecución, es recomendable revisar la búsqueda y asegurarse de que el uso del anidamiento entre paréntesis sea lógico y se haya aplicado correctamente. También hay que tener en cuenta si el uso de un operador de proximidad o adyacencia en lugar de AND podría aumentar la precisión. Si se utilizan operadores de proximidad, considere si la amplitud elegida es demasiado reducida para capturar todos los casos esperados de los términos de búsqueda, que pueden variar dependiendo de si la base de datos en la que se busca reconoce o no palabras vacías. Considere si la amplitud es demasiado extensa.
Y si se incluyen límites (por ejemplo, humanos o población de ancianos), debemos asegurarnos de que se haya utilizado la construcción adecuada.

De las diferentes formas de construcción de la estrategia de búsqueda, recomiendo la búsqueda por bloques, es decir, una línea por cada concepto de búsqueda partiendo de nuestra pregunta estructurada (PICOs) para intentar minimizar los errores antes descritos. De esta forma, la búsqueda se corresponderá con el marco de nuestra pregunta del que partimos en nuestra revisión. (ver entrada «Cómo estructurar la estrategia de búsqueda para revisiones sistemáticas: tres enfoques diferentes pero complementarios»).

Los términos de texto libre se utilizan normalmente para cubrir los encabezamientos de materia que faltan en la base de datos, recuperar registros no indizados o mal indizados. Debemos considerar los elementos del uso del texto libre, como demasiado restringido o demasiado amplio, la relevancia de los términos y si se han incluido sinónimos o antónimos.

Con respecto al uso de descriptores o encabezamientos de materia, hemos de comprobar si faltan encabezamientos o si son incorrectos los que utilizamos en nuestra estrategia, analizar la relevancia/irrelevancia de los términos y el uso correcto de la búsqueda ampliada para incluir términos relevantes más específicos.

Debemos considerar que el uso de subencabezamientos flotantes que en la mayoría de los casos son preferibles al uso de subencabezamientos ligados a encabezados de materias específicas.

Adaptación entre bases de datos y plataformas

Una vez hemos realizado la búsqueda en una base de datos debemos trasladar la estrategia a la siguiente base de datos. Esto significa que el vocabulario controlado, los términos del lenguaje natural y todas las demás etiquetas y operadores de campo utilizados deben ser lo más similar posible.

Fuente: elaboración propia (Errores en el traslado de la estrategia entre bases de datos y plataformas en revisiones sistemáticas© 2025 by Concepción Campos-Asensio is licensed under CC BY-ND 4.0 )

Deficiencias en la documentación de las estrategias de búsqueda de evidencia

Las búsquedas de revisión sistemática deben ser reproducibles, pero la mayoría no lo son. Rethlefsen y cols. encontraron que solo el 1% de las revisiones sistemáticas eran completamente reproducibles para todas las búsquedas de bases de datos. Además, las búsquedas de revisión sistemática siguen informándose mal. La gran mayoría de las revisiones sistemáticas (91%) ni siquiera proporciona suficientes detalles para identificar las bases de datos/plataformas utilizadas para todas las búsquedas de bases de datos (Rethlefsen ML, Brigham TJ, Price C, Moher D, Bouter LM, Kirkham JJ, Schroter S, Zeegers MP. Systematic review search strategies are poorly reported and not reproducible: a cross-sectional metaresearch study. J Clin Epidemiol. 2024 Feb;166:111229. doi: 10.1016/j.jclinepi.2023.111229.).

Fuente: elaboración propia (Deficiencias en la documentación de las estrategias en revisiones sistemáticas© 2025 by Concepción Campos-Asensio is licensed under CC BY-ND 4.0 )

El uso de pautas de informes, en concreto de PRISMA-S y PRISMA 2020, puede ayudar a guiar a los autores y bibliotecarios sobre las mejores prácticas para realizar informes transparentes (ver entrada «Actualización de la guía para la presentación de informes de revisiones sistemáticas: desarrollo de la declaración PRISMA 2020«).

Recomendaciones para mejorar las estrategias de búsqueda en revisiones sistemáticas

Para intentar minimizar los errores en la búsqueda en revisiones sistemáticas, es recomendable que un segundo bibliotecario haga la revisión por pares de la búsqueda utilizando la herramienta PRESS (Peer Review of Electronic Search Strategies (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. PMID: 27005575.) justo antes de finalizar el protocolo y antes de hacer las búsquedas definitivas de la revisión.

Y por último, para la mejora de las estrategias de búsqueda y su informe transparente es necesario implicar a los bibliotecarios, los equipos de revisión sistemática, los revisores por pares y los editores de revistas.

Selección de los estudios en una revisión sistemática (y otros documentos de síntesis de la evidencia)

La revisión sistemática es una de las metodologías más robustas dentro de la síntesis de la evidencia científica. Su objetivo principal es recopilar, evaluar y sintetizar los resultados de múltiples estudios para responder a una pregunta de investigación específica. Una vez finalizadas las búsquedas en bases de datos y literatura gris los investigadores realizar la fase de selección de los estudios a incluir en la revisión.

La selección de estudios consiste en identificar, entre una gran cantidad de documentos encontrados durante la búsqueda bibliográfica, aquellos que cumplen con los criterios de inclusión previamente establecidos en el protocolo de la revisión. Este paso debe asegurar que solo se incluyan estudios relevantes que cumplan con los criterios de elegibilidad y contribuyan a responder la pregunta de investigación de manera rigurosa.

En esta entrada, vamos a explorar cómo se lleva a cabo esta etapa y qué aspectos debes considerar para lograr una revisión sistemática sólida.

La unidad de interés son los estudios, no los informes. Dado que cada estudio puede haber sido informado en varios artículos, resúmenes u otros informes, una búsqueda exhaustiva de estudios para la revisión puede identificar muchos informes para cada estudio potencialmente relevante. Hay que identificar las publicaciones duplicadas, desde manuscritos idénticos hasta informes que describen diferentes resultados del estudio o resultados en diferentes puntos temporales. La publicación duplicada puede introducir sesgos sustanciales si los estudios se incluyen inadvertidamente más de una vez en un meta-análisis. El número de participantes puede diferir en las distintas publicaciones. Puede ser difícil detectar la publicación duplicada y puede ser necesaria cierta «labor detectivesca» por parte de los revisores. Se deben cotejar varios informes del mismo estudio, de modo que cada estudio, y no cada informe, sea la unidad de interés de la revisión.
Criterios de inclusión predefinidos. Estos criterios de elegibilidad (inclusión y exclusión) de los estudios deben estar predefinidos, es decir, indicados en el protocolo antes de iniciar las búsquedas.
Etapas del proceso de selección de los estudios:
- Fusión de los resultados de la búsqueda procedentes de distintas fuentes mediante un programa informático de gestión de referencias y eliminación de los registros duplicados del mismo informe (p. ej.: Zotero, Mendeley, EndNote).
- Cribado inicial por título y resumen. En esta etapa, se revisan los títulos y resúmenes para descartar informes irrelevantes. Aunque esta tarea puede ser realizada por una sola persona, es recomendable que al menos dos revisores participen en las etapas posteriores.
- Recuperar el texto completo de los informes potencialmente relevantes.
- Relacionar varios informes de un mismo estudio.
- Evaluación del texto completo. Los informes que pasen el cribado inicial deben ser evaluados en profundidad para determinar si cumplen con los criterios de elegibilidad.
- En caso de dudas o datos incompletos, se puede contactar a los autores para solicitar información adicional sobre métodos o resultados que falten.
- Tomar las decisiones finales sobre la inclusión de los estudios y proceder a la recogida de datos.
Revisión independiente. Al menos dos personas han de examinar los estudios para determinar si cumplen los criterios de inclusión/exclusión de forma independiente. En primer lugar, deben examinar los títulos y resúmenes (aunque es aceptable que esta selección inicial de títulos y resúmenes sea realizada por una sola persona) y, a continuación, pasar a examinar el texto completo (obligatorio) en busca de artículos que no puedan considerarse que cumplen con todos los criterios de inclusión. Duplicar el proceso de selección de estudios reduce tanto el riesgo de cometer errores como la posibilidad de que la selección se vea influida por los sesgos de una sola persona.
Resolución de discrepancias. Establecer cómo se resolverán los desacuerdos del proceso de selección. Pueden resolverse mediante discusión entre las dos personas que han participado en el proceso. Otra posibilidad es el arbitraje de otra persona. Si este desacuerdo ocurre en la primera fase del cribado frente al título/resumen, se clasifica el estudio en su revisión como pendiente de evaluación («Dudosos/Maybe») hasta que se obtenga la información adicional con el texto completo. Si ocurre en la segunda fase del cribado por falta de información en el informe del estudio, se ha de esperar a recibir la respuesta obtenida de los autores o investigadores del estudio.
Directrices PRISMA 2020 para documentar el proceso de selección de los estudios en la revisión. Para ello se debe llevar un registro del número de referencias y, posteriormente, del número de estudios, de las decisiones y las razones de la exclusión. En metodología del protocolo y del informe de la revisión hay que documentar: el proceso de valoración de títulos/abstract, textos completos (p. ej.: cribado por 2 personas, quienes son estas personas, cómo se evaluarán (en el protocolo) y se han evaluado (en la revisión) los desacuerdos, y si la selección es ciega. Cualquier otro método utilizado para seleccionar los estudios (incluido el uso de programas informáticos). En los resultados del informe de la revisión hay que documentar: los resultados de la búsqueda en todas las fuentes, el número de estudios incluidos/excluidos en cada etapa, la tabla de «características de los estudios excluidos» en la selección con los textos completos detallando al menos una razón de exclusión (en anexos del informe) y el diagrama de flujo PRISMA.

La falta de cumplimiento de un solo criterio de elegibilidad es suficiente para que un estudio sea excluido de una revisión. Por lo tanto, la primera respuesta negativa de un criterio de elegibilidad es motivo para la exclusión del estudio, y no es necesario evaluar los criterios restantes.
Es recomendable que antes del cribado el equipo de revisión establezca una lista de comprobación con de criterios de elegibilidad predefinidos. Es útil ordenar los criterios de más relevantes a menos o por pragmatismo, de esta forma es más rápido el proceso de exclusión.
Es recomendable realizar una prueba piloto de los criterios de elegibilidad en una muestra de informes (aproximadamente de 5 a 10). La prueba piloto puede utilizarse para refinar y aclarar los criterios de elegibilidad, formar a las personas que los aplicarán y garantizar que los criterios pueden ser aplicados de forma coherente por más de una persona.
Uso de herramientas tecnológicas. Para el cribado pueden utilizarse programas informáticos de cribado de referencias como EndNote, EndnoteWeb, Mendeley o Zotero, o utilizar programas informáticos de cribado de revisiones sistemáticas facilitan un proceso de selección por múltiples revisores de manera concurrente e independiente). Además, herramientas basadas en inteligencia artificial, como ChatGPT, están emergiendo como opciones prometedoras para automatizar partes del proceso.

Lista de verificación para ayudar al bibliotecario a decidir su participación en una revisión sistemática

Los bibliotecarios tenemos poco control sobre la terminación de los proyectos de revisiones sistemáticas. Sin embargo, dado que la mayor parte del trabajo del bibliotecario se realiza al comienzo del proyecto, el tiempo y esfuerzo invertido es con frecuencia el mismo, independientemente de que el proyecto de revisión consiga publicarse o sea abandonado. Esta situación plantea importantes reflexiones sobre la naturaleza de nuestro trabajo, ya que, a pesar de la falta de control en los resultados finales, nuestro papel es fundamental para la calidad de la revisión. Además, nuestra capacidad para colaborar con investigadores y académicos desde el inicio del proceso no solo mejora la metodología, sino que también contribuye a establecer estándares que pueden influir en el éxito del proyecto. Por lo tanto, aunque los resultados puedan variar, la dedicación y el esfuerzo que aportamos son de enorme valor y forman parte integral del proceso de investigación.

Por eso, es importante tener presente la siguiente lista de comprobación o checklist antes de comprometer nuestra participación del bibliotecario en una revisión sistemática:

¿Pueden los investigadores describir claramente la pregunta de investigación?
¿Han establecido los investigadores criterios de inclusión y exclusión?
¿Parece que el alcance de la pregunta de investigación es manejable (no es probable que se obtengan demasiados estudios elegibles)?
¿Parece que la pregunta de investigación merece la pena (no es probable que no haya o que haya muy pocos estudios elegibles)?
¿Se ha preparado un protocolo?
¿Conocen y planea el equipo de revisión seguir las normas de buenas prácticas?
¿Está de acuerdo el equipo revisor con un enfoque de búsqueda exhaustivo (por ejemplo, búsqueda en todas las bases de datos clave, empleo de estrategias de búsqueda relativamente amplias)?
¿El proceso de selección, extracción de datos y evaluación del riesgo de sesgo-calidad implicará la decisión de dos revisores de manera independiente?
¿Parece el proyecto de investigación manejable para el número de miembros del equipo de revisión?
¿Son realistas y viables los plazos de revisión?

Bibliografía

Campos Asensio, C. (2024). Papel estratégico del bibliotecario en las revisiones sistemáticas. CLIP De SEDIC: Revista De La Sociedad Española De Documentación E Información Científica, (90), 19–32. https://doi.org/10.47251/clip.n90.150

McKeown S, Ross-White A. Building capacity for librarian support and addressing collaboration challenges by formalizing library systematic review services. J Med Libr Assoc. 2019 Jul;107(3):411-419. doi: 10.5195/jmla.2019.443.

Pasos de la búsqueda para síntesis de evidencia: Metodología de la JBI

El Manual del JBI para Síntesis de Evidencia acaba de actualizar el capítulo 2.4.correspondiente a la metodología de búsqueda (Disponible en: https://jbi-global-wiki.refined.site/space/MANUAL/355827873/2.4+Search+Methodology+for+JBI+Evidence+Syntheses).

Las revisiones del JBI se distinguen en el componente de búsqueda por su proceso de búsqueda explícito en 3 pasos. Este enfoque metodológico asegura una revisión exhaustiva y sistemática de la evidencia relevante, mejorando la calidad y la fiabilidad de los resultados de la revisión.

Paso 1: Búsqueda exploratoria inicial

El primer paso es una búsqueda exploratoria inicial para encontrar «referencias semilla», es decir, registros de estudios que cumplan los criterios de inclusión para la pregunta de la revisión. Tras estas búsquedas exploratorias iniciales, se recogen las palabras clave del título y el resumen, junto con los términos de indización (también denominados términos MeSH en MEDLINE, Tesauro, Vocabulario controlado, descriptores o encabezamientos de materia) de las referencias semilla. Se debe consultar con el equipo de revisión para recopilar otras palabras clave y términos indexados.

En esta fase utilizaremos las siguientes herramientas:

Bases de datos, generalmente MEDLINE y CINAHL.
Herramientas adicionales como Google, Google Académico y herramientas de descubrimiento de bibliotecas (PRIMO, OneSearch, SumSearch, etc.).
Herramientas de IA generativa (p. ej.: ChatGPT). Pueden ser útiles para encontrar estas referencias iniciales. Sin embargo, en el caso de las fuentes encontradas a través de ChatGPT, es importante verificar que no sean alucinaciones.

Paso 2: Desarrollo de la estrategia de búsqueda exhaustiva

El segundo paso consiste en desarrollar una estrategia de búsqueda exhaustiva utilizando estas palabras clave recolectadas y los términos de indización en la base de datos primaria/clave definida en nuestro Protocolo de revisión.

El desarrollo de una búsqueda exhaustiva es un proceso iterativo que implica probar combinaciones de palabras clave y términos indizados y comprobar que la estrategia de búsqueda recupera las referencias iniciales.

Una vez desarrollada la estrategia de búsqueda en la base de datos primaria, se traslada a otras bases de datos.

Paso 3: Búsqueda complementaria

El tercer paso es la búsqueda complementaria en la literatura gris, la búsqueda de citas y la búsqueda manual. La Declaración TARCiS (Terminology, Application and Reporting of Citation Searching) proporciona orientación sobre cuándo y cómo realizar búsquedas de citas como técnica de búsqueda complementaria en la síntesis de la evidencia y, lo que es más importante, cómo informar de ello (Hirt et al. 2024).

Para las preguntas de revisión que son complejas, la búsqueda de citas hacia delante y hacia atrás (forward and backward citation searching) se considera obligatoria.

Bibliografía

Search Methodology for JBI Evidence Syntheses. In: Aromataris E, Lockwood C, Porritt K, Pilla B, Jordan Z, editors. JBI Manual for Evidence Synthesis. JBI; 2024. Available from: https://synthesismanual.jbi.global. https://doi.org/10.46658/JBIMES-24-01

Hirt J, Nordhausen T, Fuerst T, Ewald H, Appenzeller-Herzog C; TARCiS study group. Guidance on terminology, application, and reporting of citation searching: the TARCiS statement. BMJ. 2024 May 9;385:e078384. doi: 10.1136/bmj-2023-078384. Erratum in: BMJ. 2024 Nov 7;387:q2458. doi: 10.1136/bmj.q2458. PMID: 38724089.

Evaluar la calidad de los estudios incluidos en una revisión sistemática

Una revisión sistemática refleja las limitaciones de los estudios que incluye; por lo tanto, cada estudio elegible para su inclusión en una revisión sistemática requiere una evaluación crítica para determinar si el estudio no ha respondido correctamente a su pregunta de investigación de una manera libre de sesgos.

La red LATITUDES nos proporciona una visión general de la calidad de los estudios y relación entre los distintos componentes de la calidad. Enfatiza los 3 componentes principales de la calidad del estudio: validez interna, validez externa y calidad del informe/reporte.

El proceso de evaluación del riesgo de sesgo implica una valoración crítica y un juicio relativo a la existencia de riesgos potenciales de sesgo en el estudio. Un sesgo es un «error sistemático, o desviación de la verdad, en los resultados o inferencias» y esto puede conducir a hallazgos que no reflejen el resultado real. El sesgo (por ejemplo, las limitaciones del estudio) se refiere al riesgo de que los estudios sobrestimen o subestimen sistemáticamente el verdadero efecto de la intervención en función de un error en su realización o diseño.

El sesgo es distinto del concepto de calidad

Un estudio con «alta calidad metodológica» puede tener un «alto riesgo de sesgo» como, por ejemplo, cuando el cegamiento es imposible. Por otro lado, no todas las debilidades metodológicas introducen sesgos. Así, ciertos indicadores de «baja calidad metodológica» tienen poca probabilidad de influir en el riesgo de sesgo, como, por ejemplo, la no predeterminación del tamaño muestral.

Herramientas para la evaluación de la calidad

Hay muchas escalas escalas de calidad y listas de verificación (checklists) disponibles. Las revisiones Cochrane no las utilizan dado que no hay evidencia empírica que avale su uso, diferentes escalas llegan a diferentes conclusiones, la ponderación numérica no está justificada y las puntuaciones difíciles de interpretar por los lectores.

Herramientas para la evaluación del riesgo de sesgo

La RoB 2 de Cochrane se utiliza para la evaluación de ensayos clinicos. Valora 7 dominios (Generación de la secuencia aleatoria; Ocultamiento de la asignación; Cegamiento de los participantes y del personal; Cegamiento de los evaluadores del resultado; Datos de resultado incompletos; Notificación selectiva de los resultados; y Otras fuentes de sesgo) siendo la valoración de los revisores como de «bajo riesgo de sesgo» , «alto riesgo de sesgo» o «riesgo de sesgo poco claro«.

Para los estudios no aleatorizados también hay que evaluar el riesgo de sesgo: ROBINS (acrónimo de Risk Of Bias In Non-Randomized Studies). En la actualidad, existen dos versiones de esta herramienta: ROBINS-I, para estudios no aleatorizados de intervenciones y la recientemente lanzada ROBINS-E, que evalúa el efecto de una exposición en estudios de cohortes.

Además de las herramientas para estudios aleatorizados y no aleatorizados, se dispone de herramientas específicas para la evaluación de RoB en informes de casos y series de casos y diseños experimentales de caso único.

Estas herramientas proporcionan marcos estructurados para evaluar la calidad de diferentes tipos de estudios. Cada herramienta está diseñada para abordar las características únicas y los posibles sesgos asociados con diseños de estudio específicos. Por ejemplo, RoB 2 se centra en los ensayos controlados aleatorios, evaluando aspectos como el proceso de aleatorización y el cegamiento, mientras que ROBINS-I se utiliza para estudios de intervención no aleatorizados, considerando factores como el control de confusores.

Si los tipos de diseño de estudios incluidos en mi revisión sistemática son diferentes (p. ej.: EC, estudio de cohortes, …), ¿es mejor utilizar una herramienta genérica o elegir diferentes según el tipo de estudio?

Los autores de revisiones sistemáticas deben examinar los aspectos de riesgo de sesgo (RoB) específicos del diseño de cada estudio primario que incluyan como evidencia. Es poco probable que una única herramienta de valoración de los criterios de RoB sea adecuada para todos los diseños de investigación. Si utilizamos herramientas específicas según el diseño del estudio, nos aseguramos de que la evaluación de calidad se alinea con las consideraciones únicas y los sesgos asociados con cada diseño de estudio. Pero el uso de múltiples herramientas puede aumentar la complejidad y requerir una mayor familiaridad con cada herramienta específica.

La utilización adecuada de estas herramientas permite a los investigadores realizar evaluaciones de calidad más precisas y estandarizadas, mejorando la confiabilidad y la comparabilidad de las síntesis de evidencia. Es importante que los investigadores se familiaricen con la herramienta apropiada para su tipo de estudio y la utilicen de manera consistente en todo el proceso de síntesis de evidencia.

El diagrama de flujo proporcionado por LATITUDES es una guía valiosa en este proceso de selección de la herramienta, pero es importante complementarlo con un conocimiento profundo de las características de cada herramienta y las especificidades del estudio en cuestión. Una selección cuidadosa asegura que todos los aspectos relevantes de la calidad del estudio sean evaluados adecuadamente, fortaleciendo así la validez de la síntesis de evidencia.

Cómo evaluar el riesgo de sesgo

Hay que predefinir en la fase de Protocolo cómo se va a considerar el riesgo de sesgo en el análisis (definir si se va a meta-analizar los estudios con riesgo de sesgo alto o incierto). Al menos debe realizarse por 2 evaluadores de manera independiente siendo conveniente hacer un pilotaje con 3-6 estudios. Además, debemos definir en el Protocolo cómo se van a resolver los desacuerdos y aclarar la información que falta o no está clara en la publicación (por ejemplo, yendo al protocolo del estudio y/o contactar con los autores).

¿Cómo representa la evaluación del riesgo de sesgo en su manuscrito de revisión?

Se ha de resumir el riesgo de sesgo de los estudios incluidos y de cada desenlace. En esta figura se muestra un ejemplo de un resumen de la evaluación del riesgo de sesgo según la herramienta Cochrane de riesgo de sesgo aplicada a 8 ensayos clínicos aleatorizados como parte de una revisión sistemática sobre el calostro humano y bovino para la prevención de la enterocolitis necrotizante.

Figura del riesgo de sesgo. Reproducido de Sadeghirad B, Morgan RL, Zeraatkar D, Zea AM, Couban R, Johnston BC, Florez ID. Human and Bovine Colostrum for Prevention of Necrotizing Enterocolitis: A Meta-analysis. Pediatrics. 2018 Aug;142(2):e20180767. doi: 10.1542/peds.2018-0767.

El resumen de las evaluaciones del riesgo de sesgo para los estudios incluidos en la revisión sistemática incluye tanto la identificación del estudio como los juicios realizados sobre la posibilidad de que se introduzca el sesgo dentro de cada dominio del instrumento de riesgo de sesgo. En esta figura, los círculos verdes que incluyen un carácter más («+») representan dominios con bajo riesgo de sesgo, mientras que los círculos rojos que incluyen un guión («-«) representan dominios con alto riesgo de sesgo.

No debemos intentar resumir todos los resultado y todos los estudios a la vez. Hay que resumir por desenlace. Cada desenlace puede tener su evaluación propia del riesgo de sesgo (ej. cegamiento, datos de resultado incompleto). Además, no todos los estudios aportan información a cada desenlace. Debemos empezar resumiendo el riesgo de sesgo dentro de cada estudio y luego entre los estudios.

¿Debemos evaluar el riesgo de sesgo en las revisiones de alcance/scoping reviews?

Las revisiones de alcance no suelen incluir una evaluación del riesgo de sesgo. «Una diferencia clave entre las revisiones de alcance y las revisiones sistemáticas es que las primeras se realizan generalmente para proporcionar una visión general de la evidencia existente, independientemente de la calidad metodológica o del riesgo de sesgo. Por lo tanto, las fuentes de evidencia incluidas no suelen someterse a una valoración crítica en el caso de las revisiones de alcance» (Tricco).

¿Y fuera de ciencias de la salud?

Para disciplinas fuera de la medicina, el Critical Appraisal Skills Programme (https://casp-uk.net/casp-tools-checklists/) proporciona listas de comprobación que pueden aplicarse a diversos tipos de estudios, y la Mixed Methods Appraisal Tool puede ser un recurso útil si los estudios incluidos utilizan métodos mixtos y la JBI también incluye herramientas útiles.

Bibliografía

Whiting P, Wolff R, Savović J, Devine B, Mallett S, Introducing the LATITUDES Network: a Library of Assessment Tools and training to Improve Transparency, Utility and Dissemination in Evidence Synthesis, Journal of Clinical Epidemiology (2024), doi: https://doi.org/10.1016/j.jclinepi.2024.111486

Higgins JPT, Savović J, Page MJ, Elbers RG, Sterne JAC. Chapter 8: Assessing risk of bias in a randomized trial [last updated October 2019]. In: Higgins JPT, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, Welch VA (editors). Cochrane Handbook for Systematic Reviews of Interventions version 6.5. Cochrane, 2024. Disponible en www.training.cochrane.org/handbook.

Flemyng E, Moore TH, Boutron I, Higgins JP, Hróbjartsson A, Nejstgaard CH, et al. Using Risk of Bias 2 to assess results from randomised controlled trials: guidance from Cochrane. BMJ Evidence-Based Medicine [Internet]. 1 de agosto de 2023 [citado 14 de noviembre de 2024];28(4):260-6. Disponible en: https://ebm.bmj.com/content/28/4/260

Ciapponi A. Herramientas ROBINS para evaluar el riesgo de sesgo de estudios no aleatorizados. Evidencia – actualización En La práctica Ambulatoria. 2022;25(3):e007024. https://doi.org/10.51987/evidencia.v25i4.7024

Risk of bias tools. [accedido 12 noviembre 2024]. Disponible en: https://www.riskofbias.info/welcome.

Riesgo de sesgo | Primum non nocere. (2014). Retrieved September 28, 2024, from https://rafabravo.blog/2014/03/06/riesgo-de-sesgo/

Tricco A, Lillie E, Zarin W, O’Brien K, Colquhoun H, Levac D, Straus S. (2018). PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and explanation. Ann Intern Med. 2018;169(7):467-473. https://doi.org/10.7326/M18-0850.

JBI Critical Appraisal Tools | JBI. [accedido 12 noviembre 2024]. Disponible en: https://jbi.global/critical-appraisal-tools.

¿Cuánto sabes de revisiones sistemáticas?

Pon a prueba tu equilibrio y conocimientos de revisiones sistemáticas con este quiz interactivo inspirado en la «Jenga». Responde preguntas para mantener la torre en pie.

Revisiones sistemáticas y criterios de elegibilidad: ¿se deben incluir los estudios no revisados por pares?

No hay consenso sobre si se debe incluir o no en las revisiones sistemáticas los resúmenes de congresos y otra literatura gris o resultados no publicados, que pueden no haber sido revisados por pares (1). Este conflicto surge debido a la contraposición de que:

(1) Excluirlos podría reforzar el sesgo de publicación;
(2) incluirlos puede llevar mucho tiempo y conlleva el riesgo de datos erróneos.

En general, se recomienda a los autores de las revisiones sistemáticas que se consideren la inclusión de tales publicaciones caso por caso, en función de las limitaciones de recursos y de un juicio a priori sobre la probabilidad de que la literatura gris revele estudios importantes.

¿Qué hacemos con los resúmenes de Congresos?

Sólo del 30-54% de las presentaciones orales y resúmenes de conferencias médicas fueron seguidos de publicación en revistas revisadas por pares dentro de 2-5 años, con tiempos de publicación que varían significativamente según la especialidad (2-13).

Determinados factores interactúan para influir en la probabilidad de que una presentación de conferencia se convierta en una publicación revisada por pares. La calidad y novedad de la investigación también son determinantes clave.

Existe un debate continuo sobre si se deben incluir estudios no publicados en revisiones sistemáticas, debido a preocupaciones sobre su posible menor rigor metodológico en comparación con los artículos revisados por pares (14). Los resúmenes y las actas de congresos son una fuente particularmente importante de literatura gris. Algunos de estos contenidos son indizados en bases de datos bibliográficas como Embase, aunque no en MEDLINE, y también se pueden encontrar en sitios web e impresos. En mi experiencia, los revisores suelen mostrarse escépticos de la necesidad de inclusión de este tipo de literatura gris. Por otro lado, los bibliotecarios nos encontramos con muchísimas dificultades para localizar el contenido completo de la comunicación de un congreso y el contacto con los autores suele ser frustrante por su escaso éxito.

El principal argumento para su inclusión en las revisiones es el sesgo de publicación. Omitir los resúmenes de congresos puede llevar a una sobrerrepresentación de estudios con resultados positivos en las revisiones sistemáticas, lo que genera un sesgo de publicación. Incluso en las mejores revistas, los resúmenes con resultados estadísticamente significativos tienen un 40% más de probabilidades de publicarse que los que informan resultados negativos.

Opiniones en contra argumentan que los resúmenes o presentaciones de congresos pueden carecen de la información completa requerida para su inclusión y que requiere mucho tiempo y esfuerzo el intentar conseguir el informe completo no publicado de los autores..

Dada esta controversia, los revisores que deseen realizar un análisis minucioso y establecer requisitos más estrictos para la inclusión de resúmenes de congresos, con el fin de garantizar que solo se consideren las fuentes más relevantes y de mayor calidad. Antes de decidir arbitrariamente incluir o no resúmenes de congresos en una revisión sistemática, Scherer y Saldanha (14) nos dan las pautas que deben considerar los revisores sistemáticos. Nos recomiendan que:

Si la evidencia disponible es escasa o contradictoria, puede valer la pena incluir resúmenes de conferencias.
Sin embargo, generalmente los resúmenes no proporcionan toda la información necesaria para evaluar el estudio y evaluar la elegibilidad para una revisión sistemática. Por lo tanto, si se incluyen los resultados de los resúmenes de congresos, es necesario hacer los esfuerzos que sean necesarios para contactar a los autores del resumen y examinar los registros de estudios como ClinicalTrials.gov y los protocolos publicados para obtener información adicional y confirmatoria sobre métodos y resultados.
Además, para examinar el impacto de incluir los resúmenes, siempre se debe completar un análisis de sensibilidad con y sin resúmenes de congresos.

Para mejorar la diseminación efectiva de la investigación médica, es crucial abordar con determinación los desafíos en el proceso de publicación. Esto implica impulsar la transparencia, mitigar los sesgos de publicación, fomentando la publicación de resultados negativos y nulos, y agilizar la transición de presentaciones de conferencias a artículos revisados por pares. La implementación de estas recomendaciones puede elevar significativamente la calidad de la síntesis de evidencia, beneficiando en última instancia la atención al paciente y el avance del conocimiento médico.

BIBLIOGRAFÍA

Khan NR, Thompson CJ, Taylor DR, Venable GT, Wham RM, Michael LM 2nd, Klimo P Jr. An analysis of publication productivity for 1225 academic neurosurgeons and 99 departments in the United States. J Neurosurg. 2014 Mar;120(3):746-55. doi: 10.3171/2013.11.JNS131708. PMID: 24359012.
Hallan DR, Nguyen AM, Liang M, McNutt S, Goss M, Bell E, Natarajan S, Nichol A, Messner C, Bracken E, Glantz M. Charting the course from abstract to published article. J Neurosurg. 2021 Oct 29;136(6):1773-1780. doi: 10.3171/2021.7.JNS2128. PMID: 34715672.
Grover S, Dalton N, Sarkar S. Publications after conference presentations: A systematic review of published studies. Indian J Med Ethics. 2021 Jan-Mar;VI(1):1-18. doi: 10.20529/IJME.2020.106. PMID: 34080994.
Elliott, C.A., Mehta, V., Poon, C., Oliver, M. and Gourishankar, S. The Fate of Abstracts Presented at the Annual Meeting of the Congress of Neurologic Surgeons. Open J Mod Neurosurg. 2016;6:1-8. http://dx.doi.org/10.4236/ojmn.2016.61001
Patel AJ, Cherian J, Fox BD, Whitehead WE, Curry DJ, Luerssen TG, Jea A. Publication patterns of oral and poster presentations at the annual meetings of the Congress of Neurological Surgeons and the American Association of Neurological Surgeons. J Neurosurg. 2011 Dec;115(6):1258-61. doi: 10.3171/2011.7.JNS101538. PMID: 21961894.
Jasko JJ, Wood JH, Schwartz HS. Publication rates of abstracts presented at annual musculoskeletal tumor society meetings. Clin Orthop Relat Res. 2003 Oct;(415):98-103. doi: 10.1097/01.blo.0000093902.12372.76. PMID: 14612635.
Sanders DS, Carter MJ, Hurlstone DP, Lobo AJ, Hoggard N. Research outcomes in British gastroenterology: an audit of the subsequent full publication of abstracts presented at the British Society of Gastroenterology. Gut. 2001 Jul;49(1):154-5. doi: 10.1136/gut.49.1.154a. PMID: 11444234; PMCID: PMC1728360.
Gowd AK, Liu JN, Cabarcas BC, Cvetanovich GL, Garcia GH, Verma NN. Analysis of Publication Trends for the 2011-2015 American Orthopaedic Society for Sports Medicine Annual Meeting Abstracts. Orthop J Sports Med. 2018 Sep 7;6(9):2325967118792851. doi: 10.1177/2325967118792851. PMID: 30211245; PMCID: PMC6130091.
Ramos MB, Matté Dagostini C, Rabau O, Navarro-Ramirez R, Ouellet JA, Falavigna A, Teles AR. Publication rate of abstracts presented at the annual meetings of the AANS/CNS Section on Disorders of the Spine and Peripheral Nerves. J Neurosurg Spine. 2020 Aug 21;33(6):854-861. doi: 10.3171/2020.5.SPINE20466. PMID: 32823260.
Herrmann LE, Hall M, Kyler K, Cochran J, Andrews AL, Williams DJ, Wilson KM, Shah SS; Pediatric Research in Inpatient Settings (PRIS) Network. The Pipeline From Abstract Presentation to Publication in Pediatric Hospital Medicine. J Hosp Med. 2018 Feb 1;13(2):90-95. doi: 10.12788/jhm.2853. Epub 2017 Oct 4. PMID: 29069116.
Czorlich P, Regelsberger J, Meixensberger J, Westphal M, Eicker SO. From Abstract to Publication in a Peer-Reviewed Journal: Evaluation of the 63rd Annual Meeting of the German Society of Neurosurgery. J Neurol Surg A Cent Eur Neurosurg. 2016 Jan;77(1):46-51. doi: 10.1055/s-0035-1558822. PMID: 26444960.
Bonfield CM, Pellegrino R, Berkman J, Naftel RP, Shannon CN, Wellons JC. Oral presentation to publication: publication rates of abstract presentations across two pediatric neurosurgical meetings. J Neurosurg Pediatr. 2018 Jun;21(6):650-654. doi: 10.3171/2017.11.PEDS17458. Epub 2018 Mar 9. Erratum in: Neurosurgery. 2018 Dec 1;83(6):1341. doi: 10.1093/neuros/nyy532. PMID: 29521604.
Yoon PD, Chalasani V, Woo HH. Conversion rates of abstracts presented at the Urological Society of Australia and New Zealand (USANZ) Annual Scientific Meeting into full-text journal articles. BJU Int. 2012 Aug;110(4):485-9. doi: 10.1111/j.1464-410X.2011.10879.x. PMID: 22300438.
Scherer, R.W., Saldanha, I.J. How should systematic reviewers handle conference abstracts? A view from the trenches. Syst Rev 8, 264 (2019). https://doi.org/10.1186/s13643-019-1188-0

Revisiones paraguas / Revisión de revisiones / Umbrella reviews /Overviews

La revisiónes paraguas, que a veces las encontraremos como Revisión de revisiones o Umbrella review y Overview of review en inglés, son una solución eficiente para navegar el creciente volumen de revisiones sistemáticas en salud y son de gran valor para la toma de decisiones de atención médica al combinar grandes volúmenes de datos de revisiones sistemáticas (RS) en una sola síntesis.

Origen

Surgen por el desafío de la sobrecarga de Información debido al incremento de estudios y de las revisiones sistemáticas que los sintetizan. Además, muchas de estas revisiones son conflictivas, es decir, arrojan resultados opuestos.

Ejemplo de metaanálisis discordantes. Disponible en: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0115934

Por otro lado, existe la imperiosa necesidad de abordar preguntas amplias presentando una visión general sobre un tema, en lugar de estrechar el enfoque a una sola intervención. Por último, evita derrochan recursos de llevar a cabo nuevas revisiones en lugar de aprovechar las existentes.

¿Qué es una Revisión Paraguas?

Los Overviews son revisiones sistemáticas de revisiones sistemáticas existentes sobre un tema de salud específico. A diferencia de las revisiones sistemáticas, la unidad de análisis son las revisiones sistemáticas y no los estudios primarios. Es decir, buscar e incluye solo revisiones sistemáticas (con o sin metanálisis) y recopila, analiza y presenta los datos de las revisiones sistemáticas incluidas.

Por lo tanto, un requisito previo para realizar una revisión paraguas es la disponibilidad de múltiples revisiones sistemáticas actualizadas de alta calidad que cubran todas las intervenciones de interés. Las revisiones paraguas no deben buscar e incluir revisiones narrativas, capítulos de libros de texto, informes gubernamentales, guías de práctica clínica o cualquier otro informe resumido que no se ajuste a su definición predefinida de revisión sistemática.

Las Overviews no son apropiadas para identificar brechas en la investigación, clasificar intervenciones o hacer comparaciones indirectas.

También se desaconsejas las comparaciones indirectas en las revisiones paraguas. Por ejemplo, imaginemos un Overview que incluya dos revisiones sistemáticas. La revisión sistemática 1 incluye estudios que comparan la intervención A con la intervención B, y concluye que A es más eficaz que B. La revisión sistemática 2 incluye estudios que comparan la intervención B con la intervención C, y concluye que B es más eficaz que C. Sería tentador para los autores del resumen concluir que A es más eficaz que C. Sin embargo, esto requeriría una comparación indirecta, un procedimiento estadístico que compara dos intervenciones (es decir, A frente a C) a través de un comparador común (es decir, B) a pesar de que las dos intervenciones nunca se han comparado directamente entre sí dentro de un estudio primario (Glenny et al 2005).

Beneficios de las Revisiones Paraguas

Visión Amplia: Proporciona una perspectiva general sobre un tema de salud complejo. Identifica áreas de consenso y controversia en la evidencia disponible.

Ahorro de Tiempo: Ofrece una síntesis rápida para la toma de decisiones con plazos ajustados. Evita la duplicación innecesaria de esfuerzos en la revisión de evidencia.

Calidad de la Evidencia: Se basa en revisiones sistemáticas, que ya han pasado por un riguroso proceso. Permite una evaluación crítica de la calidad de múltiples revisiones.

Características

Búsqueda y fuentes de información para las revisiones paraguas

Como en las revisiones sistemáticas, la búsqueda bibliográfica que ha de ser exhaustiva y reproducible.

En general, MEDLINE/PubMed y Embase indexan la mayoría de las revisiones sistemáticas. Los autores también pueden buscar en bases de datos regionales y temáticas adicionales (por ejemplo, LILACS, CINAHL, PsycINFO) y en repositorios de revisiones sistemáticas como la Cochrane Library, Epistemonikos y KSR Evidence.

En la búsqueda en bases de datos generales se debe utilizar filtros validados para solo recuperar revisiones sistemáticas.

Solapamiento de revisiones sistemáticas

Un paso importante una vez que los autores tienen su lista final de revisiones sistemáticas incluidas es evaluar el solapamiento, es decir, determinar qué estudios primarios están incluidos en qué revisiones sistemáticas.

Cochrane recomienda crear una matriz de citas similar a la tabla para demostrar visualmente la cantidad de solapamientos. Los autores también deben describir narrativamente el número y el tamaño de los estudios primarios que se solapan, así como la ponderación que aportan a los análisis. Pieper et al (Pieper D, Antoine S, Mathes T, Neugebauer E, Eikermann M. Systematic review finds overlapping reviews were not mentioned in every other overview. Journal of Clinical Epidemiology 2014; 67: 7.) proporciona instrucciones detalladas para crear matrices de citas, describir el solapamiento y calcular el área cubierta corregida.

Disponible en: www.training.cochrane.org/handbook.

Calidad metodológica o el riesgo de sesgo de las revisiones sistemáticas incluidas en las síntesis

La herramienta AMSTAR 2 (Shea BJ, Reeves BC, Wells G, Thuku M, Hamel C, Moran J, Moher D, Tugwell P, Welch V, Kristjansson E, Henry DA. AMSTAR 2: a critical appraisal tool for systematic reviews that include randomised or non-randomised studies of healthcare interventions, or both. BMJ 2017; 358: j4008.) está diseñada para evaluar la calidad metodológica de las revisiones sistemáticas de ensayos controlados aleatorizados, y hasta la fecha ha sido la herramienta más utilizada en los Overviews. Se puede utilizar para evaluar la calidad metodológica de las revisiones sistemáticas que incluyen estudios aleatorizados y no aleatorizados de intervenciones sanitarias. Esta proporciona orientación para calificar la confianza general en los resultados de una revisión (alta, moderada, baja o críticamente baja en función del número de defectos críticos y/o debilidades no críticas).

Otra herramienta disponible para evaluar el riesgo de sesgo de las revisiones sistemáticas en los resúmenes pueden utilizar la herramienta ROBIS disponible en el sitio web de ROBIS (https://www.bristol.ac.uk/population-health-sciences/projects/robis/). Este sitio web también contiene formularios de extracción de datos y tablas de presentación de datos.

BIBLIOGRAFÍA