Estrategia de búsqueda

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

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.

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.

¿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.

¿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.

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

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.

Los robots no vienen a reemplazarnos: los bibliotecarios podemos liderar la revolución de la inteligencia artificial

La inteligencia artificial (IA) está transformando profundamente todos los sectores, y el ámbito bibliotecario no es la excepción. Lejos de suponer una amenaza, la IA representa una oportunidad histórica para que los profesionales de la información reforcemos nuestro papel como guías y mediadores en un entorno informativo cada vez más complejo.

Tras más de 35 años buscando información científica, nunca hemos experimentado una transformación como la que nos ofrece la inteligencia artificial. Es el momento de aprovechar esta oportunidad y ser parte del cambio
Tweet

Los robots no vienen a sustituirnos. Al contrario: los bibliotecarios somos hoy más relevantes que nunca, especialmente si sabemos evolucionar junto a estas herramientas. Gracias al apoyo de esta tecnología, los bibliotecarios podemos liberar tiempo para centrarnos en tareas más creativas y estratégicas, diseñando nuevas formas de compartir conocimiento y facilitando el acceso a la información. La IA proporciona a bibliotecarios y otros profesionales de la información nuevas oportunidades para mostrar nuestras habilidades y proporcionar aún más valor a los usuarios. Para ello debemos mantenernos informados sobre las últimas herramientas de IA y dominar el arte de la ingeniería de prompts. Solo así conseguiremos posicionarnos en vanguardia de la revolución de la IA.

La IA no nos reemplaza (los bibliotecarios), nos libera para pensar.
Tweet

Los bibliotecarios estamos estratégicamente posicionados para destacar en esta nueva era. Dominamos el arte del algoritmo de búsqueda, que va mucho más allá de encontrar información: implica comprender las necesidades del usuario, anticipar preguntas y guiarlo a través de un océano de datos hacia fuentes fiables, pertinentes y de calidad. Esta habilidad nos permite no solo acceder a información de manera eficiente, sino también evaluar su relevancia y credibilidad, asegurando así que los usuarios reciban respuestas de alta calidad a sus consultas. Nuestra formación nos capacita para utilizar tecnologías avanzadas y estrategias de investigación que enriquecen la experiencia de aprendizaje de nuestros usuarios. También tenemos la responsabilidad de educar al público sobre cómo interactuar de forma crítica y segura con estas herramientas emergentes.

La IA puede generar una estrategia de búsqueda, sí. Pero solo nosotros sabemos si esa estrategia tiene sentido.
Tweet

Los desafíos: veracidad, alfabetización, transparencia y privacidad

Uno de los principales riesgos de los grandes modelos de lenguaje es la ilusión de veracidad. Estos sistemas pueden generar textos que suenan correctos, pero que no necesariamente lo son. La IA no entiende el significado de lo que produce: simplemente predice cuál es la palabra más probable que debe aparecer a continuación.

El uso sin crítica puede llevar a la propagación de información falsa en la investigación. Por ello, es fundamental desarrollar una alfabetización en IA que permita evaluar críticamente tanto la información que proporcionan estas herramientas.

«La inteligencia artificial no reemplaza el juicio experto; sin embargo, tiene la capacidad de potenciarlo de maneras significativas y, en algunos casos, puede distorsionarlo de formas inesperadas.»
Tweet

Es imprescindible mantener principios de transparencia sobre el uso de herramientas de IA y responsabilidad en la verificación de la información generada. Debemos establecer prácticas claras para citar apropiadamente el trabajo asistido por IA y garantizar que las contribuciones humanas y artificiales sean debidamente reconocidas.

La privacidad es otra preocupación importante cuando se trata del uso de IA. Los sistemas de IA dependen de grandes cantidades de datos, datos que pueden incluir información confidencial sobre los usuarios. El uso de herramientas de IA puede exponer una biblioteca a los riesgos de ciberseguridad.

Conclusión

Los bibliotecarios no seremos sustituidos por la inteligencia artificial. Seremos reemplazados, eso sí, solo si decidimos no adaptarnos. Pero si abrazamos el cambio, nos formamos y lideramos la adopción crítica de estas herramientas, podremos consolidar nuestro papel como actores clave en la revolución del conocimiento.

Si no estamos en la conversación sobre IA, otros decidirán por nosotros. La revolución ya ha comenzado. Es momento de estar al frente.
Tweet

El futuro no está escrito. Y nosotros —como tantas veces— ayudaremos a su desarrollo.

Inteligencia artificial en las revisiones sistemáticas

Las herramientas de inteligencia artificial aumentan significativamente la eficiencia y la precisión en tareas repetitivas, permitiendo a los investigadores concentrarse en la generación de ideas y el análisis crítico. Las herramientas de IA facilitan el descubrimiento de patrones complejos en grandes volúmenes de datos que serían difíciles de identificar mediante métodos tradicionales.

Estas herramientas pueden acelerar significativamente el proceso de producción o actualización de síntesis de evidencia, lo que beneficia tanto a investigadores como a usuarios. Sin embargo, comprender las fortalezas y limitaciones de estas tecnologías es fundamental para mantener la calidad.

La inteligencia artificial no reemplaza el juicio experto; sin embargo, tiene la capacidad de potenciarlo de maneras significativas y, en algunos casos, puede distorsionarlo de formas inesperadas.

Todos aquellos involucrados en la metodología de las revisiones sistemáticas deben ponerse al día en el uso de la IA. Porque ya no se trata de una idea futura: está ocurriendo ahora, en tiempo real.

En esta entrada voy a dar una visión panorámica de cómo la IA puede intervenir en las diferentes fases del proceso de una revisión sistemática.

Fase por fase: promesas y preguntas

Figura 1. Fases de una revisión sistemática en las que puede intervenir la inteligecia artificial.

En una reciente revisión de alcance de Lieberum et al. (1) incluía 37 artículos del uso de LLM (modelo de lenguaje de gran tamaño) como apoyo en 10 de 13 pasos de las revisiones sistemáticas (ver figura 2).

Como vemos, es en las fases de búsqueda de literatura (41%) , selección de estudios (38%) y extracción de datos (30%) donde hay más estudios publicados. De todas las LLM utilizadas, es GPT (Generative Pretrained Transformer) el más empleado (89%). En la mitad de los estudios, los autores valoran los LLM como prometedores (54%).

Figura 3. Gráfico que muestra las proporciones de los pasos de la RS. Pasos de la RS (capa interna de pastel) y las aplicaciones asociadas de modelos de lenguaje grande (MLG) (capa externa de donut).

¿Puede la IA diseñar estrategias de búsqueda?

Garantizar la «reproducibilidad«, que es la piedra angular de la investigación académica y las búsquedas de literatura, como lo demuestran el enfoque de doble revisión descritos en las directrices de PRISMA. Las herramientas actuales de IA se quedan cortas en precisión y sensibilidad. Además, los usuarios pueden hacer los motores de búsqueda de IA la misma pregunta varias veces y recibir diferentes respuestas informadas por diferentes fuentes.

Aunque los LLM parecen ser potencialmente útiles como punto de partida, se necesita experiencia para revisar/supervisar/ contextualizar los outputs. En las tareas que requieren mucho tiempo, como la actualización de las búsquedas pueden automatizarse parcialmente. La IA «no es de gran ayuda» para los pasos «mecánicos» de una búsqueda (ejecución, exportación, importación). Por otro lado, las bases de datos de suscripción juegan un papel importante y restringen la posibilidad de automatización. Puede ser útil como punto de partida para el desarrollo de estrategias de búsqueda, pero no como un método único, sin ser auditado por un especialista en búsqueda de información.

Herramientas de búsquedas basadas en IA como Elicit, Consensus y el ChatGPT son inexactos y carecen de comprensión en comparación con las búsquedas de literatura iniciadas por humanos (2). Estas herramientas deben evolucionar más allá de la simple identificación de palabras clave hacia una comprensión matizada de la jerarquía académica y el contexto. Por lo tanto, la integración de la IA en las búsquedas de literatura para revisiones sistemáticas exige mejoras sustanciales en su comprensión del contexto y la jerarquía, en el cumplimiento del criterio de reproducibilidad y alinearse con los rigurosos estándares de las revisiones sistemáticas realizadas por los humanos.

Tras más de 35 años buscando información científica, puedo afirmar que nunca hemos experimentado una transformación como la que nos ofrece la inteligencia artificial. Es el momento de aprovechar esta oportunidad y ser parte del cambio que está revolucionando nuestro mundo. En conclusión, podemos decir: No puede reemplazar a los especialistas en información «todavía» …

Cuestiones éticas: la parte menos visible

El uso ético de ChatGPT y otros sistemas de LLM es un tema de debate académico y público. Aspectos que debemos reflexionar y tener en consideración:

Las herramientas de IA están desarrolladas, en su mayoría, por empresas privadas.
Los autores deben ser responsables de la revisión de literatura, no la IA. Es imprescindible mantener principios de transparencia sobre el uso de herramientas de IA y responsabilidad en la verificación de la información generada. Los investigadores deben establecer prácticas claras para citar apropiadamente el trabajo asistido por IA y garantizar que las contribuciones humanas y artificiales sean debidamente reconocidas.
El uso sin crítica puede llevar a la propagación de información falsa en la investigación.
La búsqueda con IA generativa utiliza al menos 4 a 5 veces más poder computacional que la búsqueda estándar (3). Debemos reconocer los impactos ambientales y promover un uso responsable y sostenible de los LLMs para tareas específicas en la síntesis de evidencia y la búsqueda.

BIBLIOGRAFÍA

Lieberum JL, Töws M, Metzendorf MI, Heilmeyer F, Siemens W, Haverkamp C, Böhringer D, Meerpohl JJ, Eisele-Metzger A. Large language models for conducting systematic reviews: on the rise, but not yet ready for use-a scoping review. J Clin Epidemiol. 2025 Feb 26;181:111746. doi: 10.1016/j.jclinepi.2025.111746.
Seth I., Lim B., Xie Y., Ross RJ., Cuomo R., Rozen WM. Artificial intelligence versus human researcher performance for systematic literature searches: a study focusing on the surgical management of base of thumb arthritis. Plast Aesthet Res. 2025, doi: 10.20517/2347-9264.2024.99.
http://www.insiderintelligence.com/content/ai-search-s-high-costs-could-vicious-cycle-big-tech-eyes-profitability, 13 Feb 2023.

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.

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.

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

El futuro de la búsqueda de información con inteligencia artificial, ¿será sencilla y fácil?

Releía ayer el artículo Easy ≠ Right (1) con estupendas reflexiones de la bibliotecaria Melissa L. Rethlefsen, autora principal de las directrices PRISMA-S, que en 2008 nos advertía que «no hay soluciones únicas para una investigación de calidad» y que a «la hora de buscar información, ¿Qué es lo correcto y qué lo fácil?

El desarrollo de estrategias de búsqueda sólidas para buscar en la literatura e identificar estudios es un paso crucial en la metodología de síntesis de la evidencia. Sin embargo, su complejidad hizo aparecer herramientas que facilitaban la localización de evidencia de alta calidad (2). En la década de los 90, la búsqueda federada, también conocida como metabúsqueda o búsqueda cruzada en bases de datos, permitía la práctica de utilizar una interfaz para buscar en múltiples fuentes de una sola vez. Fue anunciada como la próxima novedad en búsquedas.

Rethlefsen afirmaba que encontrar la mejor información o la más completa sobre un tema requiere más esfuerzo que buscar introduciendo una o dos palabras clave en una caja de búsqueda. Y he reflexionado sobre la búsqueda con inteligencia artificial de la que hoy en día tanto interés nos despierta. Por el momento podemos seguir afirmando lo mismo que la autora nos decía hablando de Google, pero el futuro nos dirá la última palabra.

Por último, estos avances en los «sistemas de búsqueda» no permiten la transparencia o la reproducibilidad de la metodología de búsqueda (3). Esto ha sido, hasta la fecha, una de las claves para las revisiones sistemáticas de calidad y libre de sesgos (4).

BIBLIOGRAFÍA

Rethlefsen ML. Easy ≠ Right. Libr J 2008;133:12–14.
Solomons T, Hinton E. Federated searches: why a one-stop shop approach to literature searching falls short for evidence synthesis. JBI Evidence Synthesis 19(6):p 1259-1262, June 2021. | DOI: 10.11124/JBIES-21-00177
Rethlefsen ML, Kirtley S, Waffenschmidt S, Ayala AP, Moher D, Page MJ, et al. PRISMA-S: an extension to the PRISMA Statement for Reporting Literature Searches in Systematic Reviews. Syst Rev 2021;10 (1):39.
Why Does the Reproducibility of Search Strategies and Search Results in Systematic Reviews Reduce Over Time? What We Can Do About It? by @FarhadShokrane Disponible en: https://link.medium.com/jezQLPFeyFb

¿Cómo limitamos el resultado de una búsqueda bibliográfica a solo humanos?: Recomendación para búsqueda en revisiones sistemáticas

Es una práctica habitual y recomendada en la búsqueda de evidencia para documentos de síntesis de evidencia, limitar los resultados a estudios realizados solo en humanos.

¿Sabrías cómo hacerlo? Inténtalo:

Aquí te dejo la presentación con la explicación:

Y el resumen sería el siguiente:

Búsqueda de información, calidad de la evidencia científica y recursos de la biblioteca del Hospital de Getafe

Dentro del curso de «Principios básicos en investigación clínica» que ha comenzado a celebrarse hoy en el Hospital Universitario de Getafe, he impartido una clase sobre la búsqueda de información, calidad de la evidencia científica y recursos de la Biblioteca del Hospital de Getafe.

Comparto con todos mi presentación, esperando os resulte de interés.

https://view.genial.ly/652ebc4783920100110921d6

¿Cómo limitamos el resultado de una búsqueda bibliográfica a solo humanos?: recomendación para búsqueda en revisiones sistemáticas

¿Cómo limitamos el resultado de una búsqueda bibliográfica a solo humanos?: recomendación para búsqueda en revisiones sistemáticas. Es una práctica habitual y recomendada en la búsqueda de evidencia para documentos de síntesis de evidencia, limitar los resultados a estudios realizados solo en humanos.
¿Sabrías cómo hacerlo?

Es una práctica habitual y recomendada en la búsqueda de evidencia para documentos de síntesis de evidencia, limitar los resultados a estudios realizados solo en humanos.

¿Sabrías cómo hacerlo? Inténtalo:

¿CUÁL ES EL PROBLEMA?

Veamos los motivos por lo que la respuesta no es tan simple como a simple vista puede parecer.

Los dos primeros son comunes a toda búsqueda que realicemos con los descriptores o tesauro de indización de las bases de datos como MeSH o EMTREE. Si solo buscamos por estos descriptores, perderemos registros mal indizados y aquellos que no estén indizados, bien por ser muy recientes o por no asignar estos términos a alguna parte del contenido de la fuente. Esto último ocurre en PubMed, donde los registros procedentes de PMC o de otras colecciones que no son MEDLINE, nunca pasarán por el proceso de indización.

Pero es que, además, un hecho que muchas veces no tenemos en cuenta es que los humanos formamos parte del reino animal. Por lo tanto, la búsqueda por «Animals»[MeSH] recupera también los artículos asignados con los descriptores más específicos situados debajo de este árbol. Es decir, recuperaríamos también los humanos.

¿CUÁL ES LA SOLUCIÓN?

La mejor práctica consiste en identificar primero los estudios con animales y excluirlos de los resultados de la búsqueda (Usar la «DOBLE NEGACIÓN»).

SINTAXIS DE BÚSQUEDA EN DIFERENTES BASES DE DATOS/PLATAFORMAS

PubMed

2. MEDLINE (Ovid)

3. EMBASE (Ovid)

4. EMBASE (Elsevier)

5. CINAHL (Ebsco)

6. SCOPUS

Y ahora, te dejo la tabla con el resumen de estos filtros para buscar humanos en las diferentes bases de datos/plataformas:

Comprueba lo que sabes del MeSH de MEDLINE

Te propongo un juego para que compruebes lo que conoces del MeSH de #MEDLINE

Los tesauros son los encabezamientos de materias utilizados por algunas de las principales bases de datos bibliográficas para describir el contenido de cada artículo publicado. Tesauro es el «vocabulario controlado» (lista de términos establecido) que categorizan artículos en función de su contenido (dichos términos variarán de una base de datos a otra). P. ej.: PubMed utiliza términos del Medical Subject Headings o MeSH, que es el vocabulario controlado de MEDLINE y Embase utiliza el EMTREE.

Los tesauros tienen una estructura jerárquica. Así, los términos MeSH se clasifican dentro de 16 «árboles» principales (como anatomía, organismos, enfermedades, medicamentos y productos químicos), cada uno de los cuales se ramifica de los términos más amplios a los más específicos. Por ejemplo, al ingresar demencia, PubMed identificará términos MeSH relevantes que incluyen demencia y enfermedad de Alzheimer. Al seleccionar Demencia, verá el árbol de términos, incluidas las subcategorías enumeradas a continuación, como la enfermedad de cuerpos de Lewy, Alzheimer o demencia vascular.

Aunque la búsqueda por el MeSH siempre es más precisa, no siempre es suficiente. Así, si el objetivo de nuestra búsqueda es localizar de forma exhaustiva toda la información de un tema, deberemos combinar la búsqueda del tesauro con el lenguaje natural. En la siguiente imagen vemos algunas de las causas:

Ahora os propongo un juego para que compruebes lo que conoces del MeSH.

¿Preparado para ver cuanto sabes del MeSH? Activa el audio y juega.

Cómo buscar en PubMed II: Opciones avanzadas

Cómo buscar en #PubMed II: Opciones avanzadas

Para que los resultados de la búsqueda sean mejores, PubMed dispone de las siguientes opciones:

Búsqueda combinada utilizando operadores:

Para ello disponemos de los siguientes operadores:

AND: recupera referencias que contengan los dos términos de búsqueda, teniendo en cuenta que deben aparecer en el mismo registro. Especifica y delimita la búsqueda.
OR: recupera referencias que contengan los dos términos, o al menos uno de ellos. Principalmente, se utiliza para localizar sinónimos, variantes y múltiples formas en las que se puede expresar un mismo tema.
NOT: excluye referencias que contengan el término escrito después del operador.

Búsquedas por frases

Nos permite buscar términos compuestos por múltiples palabras. Para ello has de escribir los términos entre comillas. Por ejemplo: “Blood glucose control» e «Intensive care Unit», buscará los artículos que tienen los tres términos seguidos y en ese orden. Veamos cómo sería la búsqueda en el siguiente vídeo:

Búsqueda por frases en PubMed

Truncamiento de términos

Para utilizar la función de truncar términos, escribe la raíz de la palabra y un asterisco. PubMed buscará términos que compartan la misma raíz. Por ejemplo, para la raíz «cardiovas»Intensive care Unit*», buscará términos como Intensive care unit e Intensive Care Units.

Búsqueda con truncamientos

Búsqueda sensible

Si queremos aumentar el resultado de nuestra búsqueda debemos incluir las posibles variaciones de cada concepto con sinónimos, cuasi sinónimos, acrónimos, etc.

En el caso de la búsqueda que estamos realizando sobre control glucémico en pacientes en UCI, algunas posibles variantes son las que vemos en la siguiente imagen:

Posibles términos a incluir en nuestra estrategia de búsqueda para aumentar el resultado.

De esta forma, nuestra estrategia podría ser la siguiente:

(«Critical Care» OR «Intensive Care» OR «Critical Illness» OR «Critically Ill Patient*» OR «Critically-ill Patient*» OR ICU OR ICUS OR «Intensive Care Unit*» OR «Intensive Treatment» OR «Intensive Therap*») AND («Glycemic control» OR «Glycaemic control» OR «Glucose control» OR «Glucose level*» OR «Glycemic Index» OR «Glycaemic Index» OR «Glycemic target*» OR «Glycaemic target*» OR «Glucose target*» OR Hyperglycemia OR Hypoglycemia OR «Insulin Therapy» OR «Insulin infusion» OR IIT)

En el siguiente vídeo vemos como hacer este tipo de búsqueda en PubMed:

Búsqueda en PubMed optimizando la sensibilidad.

Búsqueda en campos del registro

Aunque las listas de resultados se muestran en lenguaje natural, el registro de PubMed adopta un formato para su recuperación llamado MEDLINE. En este, la información se estructura en campos que se identifican por su etiqueta correspondiente o «tag».

Esta opción se utiliza cuando es preciso recuperar información localizándola en un campo concreto y no en todo el registro bibliográfico.

Se puede buscar en un campo determinado desde la pantalla de inicio escribiendo junto al término su etiqueta de campo entre corchetes. En este caso. el investigador debe conocer previamente la etiqueta correspondiente y la forma correcta de escribirla.

Las etiquetas se pueden escribir abreviadas o completas:

[TI] / [Title]
[AU] / [Author]
[AB] / [Abstract]

La lista de etiquetas se puede consultar en la página de ayuda de la NLM

Para nuestro ejemplo, si queremos limitar el resultado a aquellos registros que incluyan nuestros términos de búsqueda en los campos de título o resumen, la estrategia sería:

(«Critical Care»[tiab] OR «Intensive Care»[tiab] OR «Critical Illness»[tiab] OR «Critically Ill Patient*»[tiab] OR «Critically-ill Patient*»[tiab] OR ICU[tiab] OR ICUS[tiab] OR «Intensive Care Unit*»[tiab] OR «Intensive Treatment»[tiab] OR «Intensive Therap*»[tiab]) AND («Glycemic control»[tiab] OR «Glycaemic control»[tiab] OR «Glucose control»[tiab] OR «Glucose level*»[tiab] OR «Glycemic Index»[tiab] OR «Glycaemic Index»[tiab] OR «Glycemic target*»[tiab] OR «Glycaemic target*»[tiab] OR «Glucose target*»[tiab] OR Hyperglycemia[tiab] OR Hypoglycemia[tiab] OR «Insulin Therapy»[tiab] OR «Insulin infusion»[tiab] OR IIT[tiab])

Y si queremos limitar el resultado a aquellos registros que incluyan nuestros términos, pero como palabras del título, sería:

(«Critical Care»[ti] OR «Intensive Care»[ti] OR «Critical Illness»[ti] OR «Critically Ill Patient*»[ti] OR «Critically-ill Patient*»[ti] OR ICU[ti] OR ICUS[ti] OR «Intensive Care Unit*»[ti] OR «Intensive Treatment»[ti] OR «Intensive Therap*»[ti]) AND («Glycemic control»[ti] OR «Glycaemic control»[ti] OR «Glucose control»[ti] OR «Glucose level*»[ti] OR «Glycemic Index»[ti] OR «Glycaemic Index»[ti] OR «Glycemic target*»[ti] OR «Glycaemic target*»[ti] OR «Glucose target*»[ti] OR Hyperglycemia[ti] OR Hypoglycemia[ti] OR «Insulin Therapy»[ti] OR «Insulin infusion»[ti] OR IIT[ti])

En el siguiente vídeo vemos estas dos últimas opciones de búsqueda:

Búsqueda en PubMed por campos

Estas son algunas de las opciones avanzadas. En próximas entradas veremos más posibilidades de búsqueda que nos brinda PubMed.

Cómo buscar en PubMed I: Búsqueda sencilla

PubMed permite diferentes niveles de complejidad de búsqueda. En esta entrada vamos a dar las claves de cómo realizar una búsqueda sencilla

Para ello hay que seguir las siguientes instrucciones:

Identifica los conceptos de tu búsqueda;
Ingresa sus términos de búsqueda en la ventana inicial de búsqueda:
Se específico con los términos que introduces en la estrategia.
No se necesitan etiquetas de búsqueda ni uso del operador AND.
Evita buscar con términos entre comillas.
Evita el truncamiento (*).
Manten el formato de salida por defecto «Best Match».

Veamos un ejemplo: queremos buscar bibliografía que compare el control estricto vs. convencional de los niveles de glucosa en sangre en los pacientes ingresados en UCI.

La estrategia de búsqueda sería la siguiente: Blood glucose control ICU

En el vídeo vemos el desarrollo de la estrategia.

Ejemplo de búsqueda sencilla en PubMed

Es importante saber que es lo que hace realmente el motor de búsqueda de PubMed con los términos que introducimos en la ventana de búsqueda. Para conocer esto es necesario ir al enlace de «Advanced» que hay debajo de la ventana de búsqueda. En la nueva pantalla cliqueamos en «Details» y vemos que ha realizado dos cosas:

1. Ha separado en dos partes nuestra búsqueda que atiende a los conceptos de control de la glucosa y UCI y aplica entre estos el operador por defecto AND. Además, los busca en todos los campos ([All Fields]) y mediante un algoritmo incluye diferentes combinaciones de sinónimos y variantes.

2. Un mapeo automático de los términos por nosotros introducidos con los MeSH encabezamientos de materia de MEDLINE. De eta forma, los 1.566 registros son el resultado de la búsqueda combinada de nuestros términos en todos los campos del registro con los términos del tesauro MeSH de MEDLINE (en nuestro caso «glycemic control» e «intensive care units»).

Utilidad de la búsqueda sencilla en PubMed:

Para buscadores noveles en PubMed, que no conocen todas las posibilidades disponibles.
Permite «explorar» la base de datos y recuperar referencias de forma rápida.
En búsquedas iniciales de alcance para «recolectar» términos utilizados por los autores en sus artículos, los términos MeSH de indización y hacer una aproximación al número de registros que vamos a recuperar.

5 pasos de la búsqueda bibliográfica

En este vídeo te explicamos los 5 pasos para realizar una búsqueda bibliográfica eficiente

En este vídeo te explicamos los 5 pasos para realizar una búsqueda bibliográfica eficiente.

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.

¿Por qué hay que buscar en varias bases de datos?

Es esencial seleccionar múltiples fuentes porque una solo no puede contener toda la información que responde a nuestra pregunta. Es decir, una sola base de datos no representa todas las investigaciones potencialmente relevantes que existen. Si eligiéramos incluir solamente una base de datos, estaríamos introduciendo un sesgo de selección en una etapa temprana del proceso de revisión.

En #RevisionesSistemáticas, la búsqueda de estudios debe ser lo más amplia posible para reducir el riesgo de sesgo de publicación e identificar la mayor cantidad de evidencia relevante. Estandar MECIR C24
Tweet

¿En cuántas bases de datos hay que buscar?

Teniendo ya claro que hay que buscar en más de una base de datos (Bramer W, 3013 y 2016), hay que decir que se desconoce el número óptimo de bases de datos que hay que consultar y que no existe evidencia de la cantidad de bases de datos en las que se debe buscar (Ross-White A et al.).

Debido a la diversidad de preguntas abordadas por las revisiones sistemáticas, no puede haber un estándar acordado para lo que constituye una búsqueda aceptable en términos del número de bases de datos buscadas (CRD’s guidance, 2009).

Debemos tener presente que añadir múltiples bases de datos puede dará lugar a búsquedas con resultados muy elevados en los que, pasado un número de base de datos, resulten irrelevantes. Por otro lado, hay que tener en consideración las desventajas en el uso de múltiples bases de datos para los bibliotecarios. Resulta muy arduo y complicado traducir una estrategia de búsqueda a múltiples interfaces y sintaxis de búsqueda, ya que los diferentes códigos de campo, sintaxis de cada base de datos y plataforma, los operadores de proximidad que difieren entre interfaces y las diferencias en los términos del tesauro entre bases de datos añaden una carga importante. Además, para los revisores el proporcionarles el resultados de un exceso número de bases de datos les conlleva mucho tiempo ya que deben examinar un exceso de títulos y resúmenes, probablemente irrelevantes.

Es función del bibliotecario determinar la combinación de bases de datos necesaria para que las búsquedas de revisiones sistemáticas proporcionen resultados eficientes (es decir, para minimizar la carga de los investigadores sin reducir la validez de la investigación al omitir referencias relevantes).

Es función del bibliotecario determinar la combinación de bases de datos necesaria para que las búsquedas de #RevisionesSistemáticas proporcionen resultados eficientes.
Tweet

Pero, ¿cuáles elegir?

Las bases de datos que utilicemos para localizar la evidencia va a depender del tema de revisión, de la posibilidad de acceso a las bases de datos y el presupuesto disponible para el equipo de revisión, y siempre dentro de la limitación de tiempo. Como norma general, hay que empezar por las fuentes de información que tienen mayor probabilidad de ser más productivas dentro del tema de nuestra revisión, ya que te proporcionarán la mayoría de los estudios. En caso de duda, recomiendo hacer pruebas de búsqueda de nuestro tema de revisión en varias bases de datos y seleccionar las que proporcionen mayores y mejores resultados.

¿Qué dicen los expertos?

Un estudio de Wilchor M. Bramer concluye que las búsquedas han de realizarse en Embase, MEDLINE (incluidas las publicaciones Epub ahead of print), Web of Science (Core Collection) y Google Académico (las 200 primeras referencias relevantes) como mínimo. Para temas especiales como enfermería y ciencias del comportamiento y mental se debe añadir bases de datos como CINAHL y PsycINFO, respectivamente. Para revisiones donde los ECA hay que buscar en CENTRAL. Si se ignora una o más de las bases de datos que identifican como las cuatro bases de datos clave dará lugar a búsquedas más precisas, con un menor número de resultados, pero los investigadores deben decidir si eso vale la pena por el aumento de una mayor probabilidad de pérdidas de referencias relevantes. Este estudio también destaca una vez más que buscar bases de datos solo no es suficiente para recuperar todas las referencias relevantes. (Bramer WM, et al.).

*Recomendaciones del bibliotecario experto Wilchor Bramer (2017).*

Si nuestra revisión fuera de intervenciones terapéuticas, habría que buscar en las bases de datos generales (MEDLINE y Embase) y CENTRAL. Además, se deben incluir las bases de datos relevantes para el tema de revisión (p. ej., CINAHL para temas relacionados con la enfermería, PsycINFO para intervenciones psicológicas).

Además de MEDLINE y Embase, que suelen considerarse las principales bases de datos internacionales sobre atención sanitaria general, muchos países y regiones producen bases de datos bibliográficas que se centran en la bibliografía producida en esas regiones y que suelen incluir revistas y otras publicaciones no indexadas en otros sitios, como el African Index Medicus y LILACS (para América Latina y el Caribe) (MECIR C24-25).

Para la búsqueda de estudios cualitativos, además de MEDLINE y Embase, hay que buscar en CINAHL y PsycINFO. A lo que habría que añadir Scopus, y ProQuest Dissertations & Theses Global. Agregar PubMed aumenta la recuperación a 93.1% (Frandsen TF et al.).

Para las revisiones de evaluaciones económicas, la combinación de las bases de datos Embase + Scopus + HTA Database + MEDLINE o PubMED (indistintamente) es la más eficiente (Arber M et al.).

Si el tema incluye la asistencia social, hay una serie de bases de datos disponibles, como ASSIA (Applied Social Sciences Index and Abstracts), CSA Sociological Abstracts y CSA Social Services Abstracts, que podrían utilizarse. Las bases de datos mencionadas anteriormente son todas temáticas, pero hay otras, como AgeInfo, Ageline y ChildData, que se centran en un grupo de población específico que podría ser relevante para el tema de la revisión.

En revisiones de ciencias sociales y humanas, Lluís Codina recomienda utilizar siempre Scopus + Web of Science del grupo general, así como Dialnet Plus y las bases de datos del CSIC si la investigación se va a presentar en una universidad española.

¿Si busco en Embase (Elsevier), es necesario buscar también en MEDLINE?

La búsqueda en Embase.com incluye MEDLINE. Sin embargo, debemos buscar en las dos bases de datos por separado, ya que Embase tiene un contenido significativo que no está disponible en PubMed/MEDLINE. Además, la indexación Emtree hace que incluso la información compartida por las dos bases de datos se pueda encontrar de forma exclusiva en Embase.

*Razones por la que es necesario buscar en MEDLINE y en Embase.*

¿Cómo incluye Embase el contenido de MEDLINE?

Más de 2800 revistas son exclusivas de Embase y 3000 títulos de revistas están cubiertos tanto por Embase como por MEDLINE. Ambos conjuntos están indexados por Embase usando Emtree.
2500 revistas de MEDLINE no están indexadas por Embase usando Emtree, sino que están indexadas usando el MEDLINE thesaurus MeSH.
Estos registros indexados de MEDLINE se entregan a Elsevier diariamente. Después de la deduplicación, se incorporan a Embase para producir «registros exclusivos de MEDLINE». Elsevier no vuelve a indexar estos registros exclusivos de MEDLINE. Sin embargo, su indexación se asigna a los términos de Emtree. De esta manera, los términos de Emtree se pueden usar para buscar todos los registros de Embase, incluidos los de MEDLINE.

¿Si tengo acceso a SCOPUS, también necesito buscar en Embase y en la WoS?

Las búsquedas en Scopus se centran en resúmenes y citas, mientras que una búsqueda en Embase proporciona información adicional a partir de su indexación estructurada de texto completo con el tesauro EMTREE.

Dado que Scopus no utiliza Emtree para facilitar la asignación de sinónimos y las búsquedas jerárquicas, nuestra búsqueda puede recuperar un número significativamente menor de resultados que en Embase. Por ejemplo, una búsqueda en Scopus sobre «heart attack» omite los registros que mencionan «myocardial infarction» o los indizados utilizando el término Emtree «heart infarction».

Además, los subtítulos de Embase no están disponibles en Scopus, por lo que las búsquedas no pueden acotarse del mismo modo. Por ejemplo, no es posible limitar las búsquedas de fármacos a los registros centrados en los efectos adversos.

*Razones por las que debo buscar en Embase y SCOPUS.*

¿Es recomendable buscar en Google Académico?

Dado que Google Scholar indexa el texto completo de los artículos, la búsqueda en él añade artículos relevantes que no se encuentran en las otras bases de datos. Por lo tanto, encuentra artículos en los que el tema de investigación no se menciona en el título, el resumen o los términos del tesauro, sino que los conceptos sólo se tratan en el texto completo.

Sin embargo, la búsqueda en Google Académico supone un reto, ya que carece de las funciones básicas de las bases de datos bibliográficas tradicionales. Además, las estrategias de búsqueda están limitadas a un máximo de 256 caracteres, lo que significa que crear una estrategia de búsqueda exhaustiva puede resultar laborioso (Bramer W, 2017).

Wilchor Bramer recomienda limitar la búsqueda en Google Académico a las primeras 200 referencias relevantes.

Elección de la plataforma

Como es lógico, la búsqueda en diferentes bases de datos dará inevitablemente resultados diferentes al ser su cobertura distinta. Pero además, la búsqueda en la misma base de datos a través de diferentes interfaces o plataformas puede dar lugar a resultados diferentes. Por ejemplo, buscar en Embase a través de Embase.com o mediante OVID, o buscar en MEDLINE a través de Web of Science, EBSCO, OVID o incluso a través de PubMed. Y no solo porque las plataformas difieran en diferentes sintaxis y herramientas de búsqueda, sino que el contenido también puede diferir (PubMed vs MEDLINE/Ovid; Embase/Elsevier vs. Embase/Ovid).

¿MEDLINE vía PubMed u Ovid?

PubMed es considerado por algunos como más fácil de usar. Además, en búsquedas de revisiones sistemáticas, PubMed tiene una sensibilidad más alta que Ovid/MEDLINE con una precisión comparable y NNR (number needed to read) (Katchamart W et al.).

Por el contrario, muchos bibliotecarios eligen Ovid MEDLINE, ya que permite realizar una búsqueda más enfocada. Sus herramientas que permiten una sintaxis de búsqueda con, por ejemplo, operadores de adyacencia, que hacen que nuestro resultado sea más preciso que con PubMed.

Otros especialistas en información estaban a favor de buscar en ambas. Indicaban que merece la pena realizar una búsqueda complementaria de PubMed, además de la búsqueda principal en MEDLINE (Ovid) para una revisión sistemática, ya que se realiza rápidamente y si recupera estudios únicos, recientemente publicados, y ahead-of-print, mejorando la actualización de las revisiones sistemáticas. Sin embargo, tal como indica Wichor Bramer en su correo de 12 de diciembre de 2022 a la lista de distribución expertsearching@pss.mlanet.org, hoy en día buscar en PubMed no añade ningún valor cuando ya se ha buscado en MEDLINE a través de OVID u otra plataforma similar. La razón de por qué antes se recomendaba era porque había bastante retraso entre los artículos añadidos a PubMed y a MEDLINE, pero ya no es así. Hoy en día el retraso es solo de 1 o 2 días, por lo que se puede ignorar ya que esos días extra no suponen ninguna diferencia en nuestra revisión. (Más información en: https://wkhealth.force.com/ovidsupport/s/article/PubMed-vs-Ovid-s-Medline-1489081398582).

Hoy en día, buscar en PubMed no añade ningún valor cuando ya se ha buscado en MEDLINE a través de OVID u otra plataforma similar dado que el retraso en la indización es de solo 1 o 2 días. @wichor
Tweet

Por contra del uso de PubMed estaría su problema de indización de revistas depredadoras (Ross-White A, et al.).

¿Embase vía Embase.com o Ovid?

No hay una diferencia notable entre Ovid y Embase.com en términos de resultados de búsqueda sin embargo, Embase.com fue calificado como más fácil de usar en comparación con Ovid (Fortier KJ et al.)

Aquí os dejo un Trivial interactivo para aprender las diferencias en la sintaxis de búsqueda entre plataformas.

Juego para ver las diferencias en la sintaxis de búsqueda.

BIBLIOGRAFÍA

Bramer WM, Rethlefsen ML, Kleijnen J, Franco OH. Optimal database combinations for literature searches in systematic reviews: a prospective exploratory study. Syst Rev. 2017;6(1):245. doi: 10.1186/s13643-017-0644-y. PMID: 29208034; PMCID: PMC5718002

Higgins JPT, Lasserson T, Chandler J, Tovey D, Thomas J, Flemyng E, Churchill R. Methodological Expectations of Cochrane Intervention Reviews. Cochrane: London, Version February 2022. Disponible en: https://community.cochrane.org/mecir-manual/standards-conduct-new-cochrane-intervention-reviews-c1-c75/performing-review-c24-c75

Bramer WM, Giustini D, Kramer BM, Anderson PF. The comparative recall of Google Scholar versus PubMed in identical searches for biomedical systematic reviews: a review of searches used in systematic reviews. Syst Rev. 2013;2:115.

Bramer WM, Giustini D, Kramer BMR. Comparing the coverage, recall, and precision of searches for 120 systematic reviews in Embase, MEDLINE, and Google Scholar: a prospective study. Syst Rev. 2016;5:39.

Centre for Reviews and Dissemination. Systematic reviews: CRD’s guidance for undertaking reviews in health care The Centre; 2009. Disponible en: https://www.york.ac.uk/crd/guidance/

Ross-White A, Godfrey C. Is there an optimum number needed to retrieve to justify inclusion of a database in a systematic review search? Health Inf Libr J. 2017;33:217–24.

Frandsen TF, Gildberg FA, Tingleff EB. Searching for qualitative health research required several databases and alternative search strategies: a study of coverage in bibliographic databases. J Clin Epidemiol. 2019 Jun 25;114:118-124. doi: 10.1016/j.jclinepi.2019.06.013. PMID: 31251982.

Arber M, Glanville J, Isojarvi J, Baragula E, Edwards M, Shaw A, Wood H. Which databases should be used to identify studies for systematic reviews of economic evaluations? Int J Technol Assess Health Care. 2018 Jan;34(6):547-554. doi: 10.1017/S0266462318000636. PMID: 30442221.

Codina, Lluís. Revisiones bibliográficas sistematizadas: Procedimientos generales y Framework para Ciencias Humanas y Sociales. Barcelona: Máster Universitario en Comunicación Social. Departamento de Comunicación. Universitat Pompeu Fabra, 2018 [documento en pdf, acceso: https://repositori.upf.edu/handle/10230/34497%5D

Elsevier. Learn and Support – Embase | Elsevier [Internet]. Elsevier.com. 2021 [consultado 19 dic 2022]. Disponible en: https://www.elsevier.com/solutions/embase-biomedical-research/learn-and-support#:~:text=Scopus%20searches%20focus%20on%20abstracts,significantly%20fewer%20results%20than%20Embase

Katchamart W, Faulkner A, Feldman B, Tomlinson G, Bombardier C. PubMed had a higher sensitivity than Ovid-MEDLINE in the search for systematic reviews. J Clin Epidemiol. 2011 Jul;64(7):805-7. doi: 10.1016/j.jclinepi.2010.06.004. PubMed PMID: 20926257.

Duffy S, de Kock S, Misso K, Noake C, Ross J, Stirk L. Supplementary searches of PubMed to improve currency of MEDLINE and MEDLINE In-Process searches via Ovid. J Med Libr Assoc. 2016 Oct;104(4):309-312. PMID: 27822154; PMCID: PMC5079494.

¿Sabes que en PubMed se indizan revistas fraudulentas? [Internet]. BiblioGETAFE. BiblioGETAFE; 2018 [consultado el 19 dic 2022]. Disponible en: https://bibliogetafe.com/2018/10/09/sabes-que-en-pubmed-se-indizan-revistas-fraudulentas/

‌Ross-White A, Godfrey CM, Sears KA, Wilson R. Predatory publications in evidence syntheses. J Med Libr Assoc. 2019 Jan;107(1):57-61. doi: 10.5195/jmla.2019.491. PMID: 30598649; PMCID: PMC6300240.

Fortier KJ, Kiss N, Tongbram V. What is the optimal search engine for results from Embase and Medline: Ovid or Embase.com? Value Health 2013;16(3):A25 doi: 10.1016/j.jval.2013.03.147

‌

Actualización de PubMed: ahora disponible la búsqueda de proximidad

La NLM ha anunciado que se ha añadido funciones de búsqueda por proximidad a PubMed.

Ahora podemos buscar por varios términos que aparezcan en cualquier orden y dentro de una distancia especificada en los campos [Título] o [Título/Abstract].

Presentación de la nueva funcionalidad de PubMed de búsqueda de proximidad (5 pantallas)

¿Cómo construir una búsqueda de proximidad en PubMed?

Debemos escribir en la ventana de búsqueda siguiendo la sintaxis:

“términos de búsqueda”[campo:~N]

Donde:

Términos de búsqueda = dos o más palabras entre comillas dobles.
Campo = La etiqueta del campo de búsqueda para los campos [Title] o [Title/Abstract].
N = El número máximo de palabras que pueden aparecer entre sus términos de búsqueda.

¿Qué es lo que hace?

Recuperará registros en los que las palabras entrecomilladas se localicen en el campo que hayamos especificado ([title] o [Titel/Abstract]) y sean adyacentes o estén separadas por un máximo de N palabras.

Qué tenemos que tener en cuenta:

La búsqueda por proximidad solo está disponible en los campos de búsqueda Título y Título/Abstract. Podemos utilizar las etiquetas de los campos de búsqueda completos [Title] y [Title/Abstract] o las versiones abreviadas [ti] y [tiab].
El símbolo ~ en teclados PC se puede combinar Alt+126
No hay límite de palabras que pongamos entrecomilladas. Sin embargo, cuantos más términos introduzcamos, más restrictiva será la búsqueda.
¡No se puede hacer truncamiento en la búsqueda por proximidad de PubMed! Si los términos entrecomillados en una búsqueda por proximidad incluyen un comodín (*), el operador de proximidad será ignorado.
El valor N a utilizar dependerá de nuestra búsqueda. Es recomendable probar a cambiar el valor N y a comparar los resultados para encontrar el que mejor se adapte a la búsqueda. Un valor N más alto crea una búsqueda más amplia, más completa; esto normalmente recuperará más resultados en general, pero algunos de estos resultados pueden ser menos relevantes. El uso del operador booleano AND para combinar términos puede ser más apropiado que la búsqueda por proximidad con un valor N grande. Un valor N más bajo crea una búsqueda más estrecha y precisa; esto normalmente recuperará menos resultados que son altamente relevantes, pero puede excluir otros resultados relevantes. Si N=0, los términos citados aparecerán uno al lado del otro, sin otras palabras entre ellos, y en cualquier orden.
Este tipo de sintaxis de búsqueda deshace el mapeo automático de términos que hace por defecto PubMed.
Podemos combinar las búsquedas por proximidad con otros términos utilizando operadores booleanos. Por ejemplo:
- “hip pain”[Title:~4] AND “Arthralgia”[Mesh]
- “patient physician relationship“[tiab:~0] OR “patient doctor relationship”[tiab:~0]
Los operadores booleanos y las stopwords incluidas entrecomillas en la búsqueda por proximidad se buscan como las palabras claves normales.

Ejemplo

Para buscar referencias en PubMed donde los términos “hip” y “pain” aparecen con no más de dos palabras entre ellos en el campo de búsqueda Título/Resumen, intente la búsqueda:

“Hip pain»[Title/Abstract:~2]

Los resultados de la búsqueda pueden incluir:

hip pain;
hip-related pain;
hip joint pain;
hip/groin pain;
hip biomechanics and pain;
pain after total hip arthroplasty;
pain in right hip, …

Disponéis de un videotutorial aquí.

Y ahora mi conclusión: considero que es más una mejora a la búsqueda por frases que una verdadera búsqueda de proximidad/adyacencia.

Cómo estructurar la estrategia de búsqueda para revisiones sistemáticas: tres enfoques diferentes pero complementarios

Existen diversos enfoques para la construcción de nuestra estrategia de búsqueda experta para #RevisionesSistemáticas (por líneas, bloques o párrafo @FarhadShokrane).
El bibliotecario debe conocerlos y utilizar o combinar según las necesidades.

La lógica booleana es el enfoque establecido por la práctica para construir la estructura de las estrategias de búsqueda generales y para las revisiones de ciencias de la salud (1). Aun así, existen diversos enfoques para la construcción de nuestra estrategia de búsqueda experta para revisiones sistemáticas. Dado que no hay ningún consejo en PRESS, PRISMA, MECIR o PRISMA-S que nos recomiende seguir uno u otro de los enfoques, es necesario que el bibliotecario conozca las principales construcciones y los utilice o combine según las necesidades. Por ello, la entrada del blog de Farhad Shokraneh (@FarhadShokrane) (2) me ha parecido de gran interés, ya que resume y describe lo que él considera los 3 tipos o enfoques para estructurar las estrategias de búsqueda:

Construcción línea a línea;
Búsqueda por bloques; y
Construcción en una única línea (párrafo).

Existen diversos enfoques para la construcción de nuestra estrategia de búsqueda experta para #RevisionesSistemáticas (por líneas, bloques o párrafo). El bibliotecario debe conocerlos y utilizar o combinar según las necesidades.
Tweet

En la siguiente presentación resumo estos tres enfoques, en qué consisten, ejemplos de ellos, ventajas e inconvenientes, así como recomendaciones de uso.

A la hora decidir que enfoque utilizar tengo que tener en consideración desde el objetivo/propósito de nuestra búsqueda, nuestras preferencias y las del usuario. Además, la búsqueda en sí misma y su complejidad puede ser necesario utilizar un enfoque u otro e incluso una mezcla de varios en la misma estrategia de búsqueda. Por último, hay que tener en cuenta que no todas las interfaces de búsquedas/plataformas/bases de datos permiten los tres enfoques.

La estructura de la estrategia de búsqueda para #RevisionesSistemáticas dependerá del propósito de la presentación de la estrategia de búsqueda, preferencias, complejidad de la búsqueda y las posibilidades de búsqueda de la base de datos.
Tweet

Tabla resumen de los principales enfoques utilizados en las estrategias de búsqueda para revisiones sistemáticas, adaptado de Farhad (2).

En mi caso, suelo preferir la búsqueda por bloques, es decir, una línea por cada concepto de búsqueda partiendo de nuestra pregunta estructurada (PICOs). De esta forma, la búsqueda se corresponderá con el marco de nuestra pregunta del que partimos en nuestra revisión (3). Sin embargo, en búsquedas complejas puede que no sea posible dividir las búsquedas en bloques de un solo concepto y que algunos bloques pueden tener subbloques y o que sea necesario una combinación de las tres estructuras.

BIBLIOGRAFÍA

MacFarlane A, Russell-Rose T, Shokraneh F. Search Strategy Formulation for Systematic Reviews: issues, challenges and opportunities. Intelligent Systems with Applications. 2022: 200091.
Shokraneh, Farhad. Structure of Search Strategies for Systematic Reviews: Line by Line versus Block by Block versus Single-Line. Medium 6 June 2021; [Revisado 9 June 2021]. Disponible en: https://farhadinfo.medium.com/structure-of-search-strategies-for-systematic-reviews-line-by-line-versus-block-by-block-versus-d59aae9e92df
Campos-Asensio C. Cómo elaborar una estrategia de búsqueda bibliográfica. Enferm Intensiva. 2018 Oct-Dec;29(4):182-186. English, Spanish. doi: 10.1016/j.enfi.2018.09.001. PMID: 30291015.

8 puntos clave para las búsquedas de evidencias en las revisiones sistemáticas de precisión de pruebas diagnósticas

8 puntos clave para las búsquedas de evidencias en las #RevisionesSistemáticas de precisión de pruebas diagnósticas

Las estrategias de búsqueda para las revisiones de estudios de precisión de pruebas diagnósticas (PPD) pueden ser particularmente complejas. Los estudios de PPD tienden a informarse de manera deficiente y buscarlos puede ser problemático debido a este informe inadecuado y terminología inconsistente, la ausencia de términos de indexación apropiados en algunas bases de datos para este tipo de publicación y el uso inconsistente de términos de indexación adecuados donde están disponibles.

Es conocida la existencia de debilidades en los resúmenes de los informes de los estudios de precisión diagnóstica. Un estudio exploratorio que evaluó la exhaustividad de los informes en los resúmenes de 12 revistas de alto impacto encontró que el 50 % de los artículos no identificaba el estudio como un estudio de precisión diagnóstica en el título y el 65 % incluía las estimaciones de sensibilidad y/o especificidad en el resumen (13). Además, la aplicación de la indexación disponible puede no ser coherente en las bases de datos y no se debe confiar en ella. Un estudio informó que la sensibilidad de tres encabezados clave de Emtree, incluida la etiqueta de verificación diagnostic test accuracy study», se encontró individualmente por debajo del 50 % y solo alcanzó el 72,7 % cuando se usaron juntos.

Aquí os dejo una infografía con el resumen de los 8 puntos clave para la búsqueda en este tipo de revisiones.

Resumen de los 8 puntos clave para la búsqueda en este tipo de revisiones sacadas del borrador del capítulo 7 del Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy.

BIBLIOGRAFÍA

Spijker R, Dinnes J, Glanville J, Eisinga A. Chapter 7: Searching for and selecting studies. Draft version (7 February 2022) for inclusion in: Deeks JJ, Bossuyt PM, Leeflang MM, Takwoingi Y, editor(s). Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy Version 2. London: Cochrane.

Glanville J, Higgins C, Holubowich C, Spijker R, Fitzgerald A. Diagnostic accuracy. Last updated 24 October 2021. In: SuRe Info: Summarized Research in Information Retrieval for HTA. Disponible en: https://w ww.sure-info.org//diagnostic-accuracy

Korevaar DA, Cohen JF, Hooft L, Bossuyt PMM. (2015). Literature survey of high-impact journals revealed reporting weaknesses in abstracts of diagnostic accuracy studies. J Clin Epidemiol. 68(6): 708-715. Disponible en: https://www.jclinepi.com/article/S0895-4356(15)00022-0/fulltext

Gurung P, Makineli S, Spijker R, Leeflang MMG. The EMTREE term «Diagnostic Test Accuracy Study» retrieved less than half of the diagnostic accuracy studies in EMBASE. J Clin Epidemiol. 2020; 126 :116-21. Disponible en: https://www.jclinepi.com/article/S0895-4356(20)30132-3/fulltext

Cómo buscar Guías de Práctica Clínica en PubMed

Cómo buscar Guías de Práctica Clínica en #PubMed
Hay una especial dificultad en localizar GPC. Pero para aquellas que se publican como artículos de revista, te enseñamos cómo localizarlas en PubMed

Las GPC son una herramienta de ayuda a los profesionales sanitarios para la toma de decisiones, que pueden reducir la variabilidad de la práctica clínica y mejorar la calidad y seguridad de los pacientes.

Hay una especial dificultad en localizar GPC dado que muchas de ellas se publican como “literatura gris” (generalmente por instituciones y asociaciones profesionales) y no se indexaban en las bases de datos bibliográficas tradicionales.

Pero para aquellas guías que se publican como artículos de revistas de repercusión internacional, pueden buscarse en bases de datos bibliográficas, como PubMed y Embase, utilizando términos de búsqueda controlados («Practice Guideline» [Publication Type] en MEDLINE o ‘practice guideline’/exp en Embase). Para buscar guías de práctica en CINAHL (EBSCO) escribimos el tema (como una condición, síntoma o procedimiento clínico) en el cuadro de búsqueda en la página de Búsqueda avanzada. Si ya conoce el nombre de la guía, haga una búsqueda por título. Seleccione «Practice Guidelines» en el menú «Tipo de publicación» en la sección Búsqueda avanzada o Límites.

En la siguiente presentación vemos la estrategia de búsqueda en PubMed para de GPC de vacunas de la hepatitis a:

Pero para una búsqueda más sensible disponemos de filtros metodológicos desarrollados para recuperar guías en diferentes bases de datos.

Aquí vemos el filtro CADTH’s para GPC en PubMed (última actualización el 2 de abril de 2020, disponible en: https://www.cadth.ca/strings-attached-cadths-database-search-filters):

«Clinical protocols»[MESH] OR «Consensus»[MESH] OR «Consensus development conferences as topic»[MESH] OR «Critical pathways»[MESH] OR «Guidelines as topic» OR «Practice guidelines as topic»[MESH] OR «Health planning guidelines»[MESH] OR «Clinical Decision Rules»[MESH] OR «guideline»[pt] OR «practice guideline»[pt] OR «consensus development conference»[pt] OR «consensus development conference, NIH»[pt] OR position statement*[tiab] OR policy statement*[tiab] OR practice parameter*[tiab] OR best practice*[tiab] OR standards[TI] OR guideline[TI] OR guidelines[TI] OR standards[ot] OR guideline[ot] OR guidelines[ot] OR guideline*[cn] OR standards[cn] OR consensus*[cn] OR recommendat*[cn] OR practice guideline*[tiab] OR treatment guideline*[tiab] OR CPG[tiab] OR CPGs[tiab] OR clinical guideline*[tiab] OR guideline recommendation*[tiab] OR consensus*[tiab] OR ((critical[tiab] OR clinical[tiab] OR practice[tiab]) AND (path[tiab] OR paths[tiab] OR pathway[tiab] OR pathways[tiab] OR protocol*[tiab] OR bulletin[tiab] OR bulletins[tiab])) OR recommendat*[ti] OR recommendat*[ot] OR (care[tiab] AND (standard[tiab] OR path[tiab] OR paths[tiab] OR pathway[tiab] OR pathways[tiab] OR map[tiab] OR maps[tiab] OR plan[tiab] OR plans[tiab])) OR (algorithm*[tiab] AND (screening[tiab] OR examination[tiab] OR test[tiab] OR tested[tiab] OR testing[tiab] OR assessment*[tiab] OR diagnosis[tiab] OR diagnoses[tiab] OR diagnosed[tiab] OR diagnosing[tiab])) OR (algorithm*[tiab] AND (pharmacotherap*[tiab] OR chemotherap*[tiab] OR chemotreatment*[tiab] OR therap*[tiab] OR treatment*[tiab] OR intervention*[tiab]))

En la siguiente presentación vemos como sería la búsqueda en PubMed aplicando el filtro anterior de CADTH.

¿Es recomendable enfocar la búsqueda en Embase en las estrategias para revisiones sistemáticas?

Aunque Embase es una base de datos recomendada para realizar búsquedas sistemáticas, es difícil una búsqueda eficiente dada la gran cantidad de términos del Emtree con la que se indizan los registros (un promedio de 3 a 4 términos mayores y hasta 50 términos menores). En comparación, los registros de MEDLINE pueden contener un promedio de 10 a 20 términos del MeSH. Este alto volumen de términos de indización puede conducir a una deficiente precisión en las búsquedas de Embase al recuperar grandes cantidades de registros irrelevantes, lo que aumenta la carga de procesamiento de registros dentro del proceso cribado y selección de los estudios.

Por este motivo, cuando buscamos en EMBASE para HTA (Health technology assessments) y/o RS (revisiones sistemáticas) existe la recomendación pragmática de reducir los resultados de búsqueda, enfocando esta mediante la realización de búsquedas de encabezamientos de materia combinados con subencabezamientos (calificadores) y/o búsquedas con encabezamientos de materia limitados a aquellos con un enfoque principal (encabezados principales o major headings).

En el estudio de Glanville y cols (1) buscaron la evidencia que apoya esta práctica no formal de enfocar la búsqueda en Embase y llegaron a las siguientes recomendaciones y conclusiones:

Parece imprudente debilitar las estrategias mediante el uso de la técnica de enfoque, a menos que los autores de la búsqueda estén seguros de que están enfocando una estrategia altamente sensible.
Si este fuera el caso, el enfoque más seguro parecería enfocar los términos de Emtree para la intervención.
No se recomienda enfocar tanto la población como la intervención en términos de Emtree debido a la pérdida de sensibilidad observada.
También se debe tener precaución al considerar enfocar los términos de Emtree en más de dos conceptos.
Los desarrolladores de estrategias de búsqueda que construyen búsquedas en temas distintos a las revisiones de tratamientos de drogas deben realizar pruebas de sensibilidad antes de enfocar sus estrategias, ya que sus estrategias pueden ser subóptimas debido a los desafíos de buscar temas más difíciles de encontrar.
El problema estaría en saber desde el principio si una búsqueda ya es altamente sensible.
Los autores recomiendan a los buscadores inexpertos que busquen el asesoramiento experto de un especialista en información con experiencia en búsquedas en Embase y MEDLINE para los propósitos de RS y HTA, como lo recomiendan muchos documentos de orientación.

Referencia: Glanville J, Kaunelis D, Mensinkai S, Picheca L. Pruning Emtree: does focusing Embase subject headings impact search strategy precision and sensitivity? [Internet]. Ottawa: CADTH; 2015 Apr. [citado 2022-01-27]. Disponible en: https://www.cadth.ca/pruning-emtree-embase

3 pasos para desarrollar estrategias de búsqueda para revisiones sistemáticas y de alcance

¿Es necesario la revisión por pares de la estrategia de búsqueda de una revisión sistemática?

Debido a la complejidad de la búsqueda de evidencia en las revisiones sistemáticas, se debe tener mucho cuidado en el desarrollo y ejecución de las estrategias de la búsqueda electrónica. Se han detectado frecuentes errores en las estrategias de búsqueda tales como errores de ortografía, errores de truncamiento, error de operador lógico, referencias de líneas de consulta incorrectas, redundancia sin justificación, la falta de términos tanto en lenguaje natural como en lenguaje controlado y aquellos relacionados con los MeSH, etc. (1-3).

Por este motivo, siempre que sea posible hay que realizar una revisión por pares de la estrategia para identificar los errores más habituales, mejorar la calidad y reducir no solo el riesgo de perder estudios relevantes, sino también el riesgo de identificar un número innecesariamente elevado de registros irrelevantes.

Recientemente se ha publicado las recomendaciones Cochrane para realizar revisiones rápidas (4) en las que, a diferencia de la guía MECIR (Methodological Expectations for Cochrane Intervention Reviews), recomiendan la revisión por pares de, al menos, una estrategia de búsqueda (por ejemplo, MEDLINE) (R12).

PRESS (Peer Review of Electronic Search Strategies (5) es un instrumento concebido y creado con el objetivo de realizar y evaluar estrategias de búsqueda para síntesis de evidencia. PRESS proporciona descripciones de seis dominios principales para su uso como pautas para las prácticas de los bibliotecarios y para los editores como instrumento para la evaluación metodológica general de las revisiones.

Los seis dominios principales de la lista de verificación de PRESS 2015 son:

Traducción de la pregunta de investigación.
Operadores booleanos y de proximidad.
Encabezamientos de materia.
Búsqueda de palabras de texto (texto libre).
Ortografía, sintaxis y números de línea.
Límites y filtros.

La revisión por pares de las búsquedas debe tener lugar en dos etapas importantes del proceso de síntesis de la evidencia: al comienzo del proyecto, antes de que se realicen las búsquedas, y en la etapa previa a la publicación (6).

BIBLIOGRAFÍA

Elliott JH, Turner T, Clavisi O, Thomas J, Higgins JP, Mavergames C, Gruen RL. Living systematic reviews: an emerging opportunity to narrow the evidence-practice gap. PLoS Med. 2014 Feb 18;11(2):e1001603. doi: 10.1371/journal.pmed.1001603. eCollection 2014 Feb. PubMed PMID: 24558353; PubMed Central PMCID: PMC3928029. Disponible en: http://dx.plos.org/10.1371/journal.pmed.1001603
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. PMID: 31019390; PMCID: PMC6466507.
Spry C, Mierzwinski-Urban M. The impact of the peer review of literature search strategies in support of rapid review reports. Res Synth Methods. 2018 Dec;9(4):521-526. doi: 10.1002/jrsm.1330. PMID: 30408843.
Garritty C, Gartlehner G, Nussbaumer-Streit B, King VJ, Hamel C, Kamel C, Affengruber L, Stevens A. Cochrane Rapid Reviews Methods Group offers evidence-informed guidance to conduct rapid reviews. J Clin Epidemiol. 2021 Feb;130:13-22. doi: 10.1016/j.jclinepi.2020.10.007. PMID: 33068715; PMCID: PMC7557165.
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.
Lefebvre C, Duffy S. Peer review of searches for studies for health technology assessments, systematic reviews, and other evidence syntheses. Int J Technol Assess Health Care. 2021; 37(1):E64.

PubReMiner: Herramienta de minería de datos para desarrollar estrategias de búsquedas para revisiones sistemáticas y de alcance

PubReMiner (https://hgserver2.amc.nl/cgi-bin/miner/miner2.cgi) es un interface alternativo para buscar en PubMed, es decir, es un buscador que consulta la base de datos de PubMed de otra forma a la realizada por este motor de búsqueda y presentan los resultados en otro formato. Su principal ventaja es que nos permite analizar datos.

Para utilizarla escribimos nuestra búsqueda en la ventana de búsqueda y obtenemos el resultado en forma de tabla de frecuencias. Marcando en los recuadros nosotros podemos agregar o excluir términos a la consulta para optimizar los resultados.

De esta forma, con PubReMiner nos informa de las palabras que se utilizan con más frecuencia y nos proporciona una forma rápida de recopilar información adicional sobre el tema.

Las columnas que podemos visualizar y personalizar en la tabla de frecuencia son las siguientes:

Año de publicación.
Las revistas en las que más se publica su consulta.
Los autores más activos en el campo de su consulta.
Las palabras que más se han utilizado en el título y resumen de los artículos.
Los campos de encabezamiento MESH (incluidos subencabezamientos).
Supplementary Concept (Substances).
Tipo de publicación.

Si por alguna razón deseamos adaptar nuestra consulta de una manera diferente a la que permite PubReMiner, podemos modificar la consulta de la forma que deseemos y presionar «Search with Manual Adjustment». Una vez que hemos terminado con nuestra estrategia podemos pasar a ver los resultados en PubMed desde el botón “goto pubmed with query».

PubReMiner nos ayuda a encontrar información relevante mediante sugerencias de palabras. Además de generar consultas eficientes, también puede ser útil en otras áreas como:

Seleccionar una revista para enviar nuestro manuscrito al mostrarnos en la tabla las revistas de investigación similar más frecuentes;
Encontrar expertos en un área de investigación al mostrarnos los autores que con mayor frecuencia publican del tema de nuestra consulta;
Si buscamos por un autor, encontramos los temas de interés de investigación de este al ver las palabras clave asociadas con ese autor;
Análisis bibliométricos de lo publicado sobre el tema de nuestra consulta;
Conviertir los resultados (todas nuestras publicaciones) en un CV en tiempo real con «Create CV output»

Por último, indicaros que podéis encontraros diferentes formas de llamar a esta herramienta como: PubReMiner, pubmed reminer, pub reminer, pubmed re-miner.

Sesgos en la localización de estudios para una revisión sistemática

Una de las características principales de los estudios de síntesis de evidencia es reducir el sesgo en todas las etapas del proceso de revisión. El sesgo se introduce potencialmente en cualquier etapa del proceso de la revisión sistemática, desde decidir cuál es su pregunta de investigación hasta cómo medir sus resultados y elegir qué hallazgos publicar.

Al buscar estudios relevantes para una revisión sistemática, son posibles muchos sesgos: Primero, incluir limitadores de búsqueda arbitrarios, como la ubicación geográfica del estudio o el año de publicación. La imposición de estas restricciones a la población de estudios potenciales producirá una muestra sesgada porque los autores están potencialmente ignorando un conjunto relevante de evidencia. En segundo lugar, los autores de la revisión pueden restringir su búsqueda solo a las principales bases de datos que conocen o no incluir completamente una representación de las bases de datos disponibles. Por ejemplo, una búsqueda en la base de datos utilizando solo MEDLINE arrojará el 30-80% de los ensayos relevantes (ver aquí). Tercero, el sesgo de publicación simplemente se refiere a la probabilidad de que aquellos estudios con efectos negativos o hallazgos no estadísticamente significativos no se publiquen (Rosenthal, 1979). Esto significa que la investigación disponible en revistas revisadas por pares está sesgada hacia la investigación con resultados positivos y puede no ser una representación precisa de la totalidad de la evidencia de investigación existente.

Podemos resumir los sesgos en los siguientes tipos:

Limitación geográfica.
Limitación del tipo de documento (p.ej.. Cartas – Iansavichene AE, Sampson M, McGowan J, Ajiferuke IS. Should systematic reviewers search for randomized, controlled trials published as letters? Ann Intern Med. 2008 May 6;148(9):714-5. doi: 10.7326/0003-4819-148-9-200805060-00023. PMID: 18458294.).
Sesgo de idioma – ¿solo inglés?. Excluir idiomas no inglés no cambia la conclusión de la RS excepto para medicina alternativa/complementaria.
Sesgo de base de datos: Sesgo en PubMed geográfico y de idioma (Pilkington K, Boshnakova A, Clarke M, Richardson J. «No language restrictions» in database searches: what does this really mean? J Altern Complement Med. 2005 Feb;11(1):205-7. doi: 10.1089/acm.2005.11.205. PMID: 15750383).
Sesgo de texto completo (solo gratuito/Open Access/accesible).
Sesgo de literatura publicada (Arber 2013). Las búsquedas de artículos relevantes deben realizarse en múltiples fuentes de literatura comercial y gris, es imprescindible utilizar tantas bases de datos de temas relevantes como sea posible, no solo para garantizar que se hayan localizado los documentos relevantes, sino también para reducir el sesgo de selección (Dickersin et al. al., 1994). Para contrarrestar los efectos negativos del sesgo de publicación, se deben incluir varias fuentes de literatura gris.
Sesgo de limitación temporal/fechas (pero hay que justificar). A veces es apropiado limitar la búsqueda a un idioma o marco de tiempo en particular si la revisión solo está interesada en estudios realizados en una determinada ubicación geográfica o durante un tiempo en particular.

Reproducibilidad de la búsqueda bibliográfica.

La búsqueda de estudios ha de informarse de modo transparente para que pueda ser reproducible. Nos tenemos que preguntar si cualquiera que acceda a las bases de datos puede repetir mi búsqueda y obtener los mismos o similares artículos. Si la respuesta es afirmativa, entonces está bien hecho. En caso contrario, hay que buscar que es lo que está mal.

Para todas las búsquedas en bases de datos debemos documentar lo siguiente:

Estrategia (search lines and strings).

Fecha de la búsqueda (día, mes y año).

Nombre de la base de datos, cobertura temporal, interface.

*Traducido y adaptado de: Foster MJ, Jewell ST. Assembling the pieces of a systematic review: A guide for librarians. Lanham: Rowman & Littlefield, 2017.*

Cualquiera que replique una estrategia debe llegar a un resultado similar. No será igual en los casos de:

Incorporación de nuevos registros a la base de datos.

Cambios en el tesauro.

Cambios de sintaxis, código de campos, …

Cuando se describa la búsqueda podemos guiarnos por el Manual Cochrane de Estilo (p.ej., con respecto al uso de abreviaturas de las bases de datos, el orden de las bases de datos en las que hayas buscado, etc.). También debemos seguir los estándares de la extensión PRISMA-S PRISMA Search Reporting Extension (Puedes descargar una versión Word; PDF; y Excel de la lista de verificación PRISMA-S en el sitio web de PRISMA y en https://osf.io/sfgvq/). (Rethlefsen, M.L., Kirtley, S., Waffenschmidt, S. et al. PRISMA-S: an extension to the PRISMA Statement for Reporting Literature Searches in Systematic Reviews. Syst Rev 10, 39 (2021). https://doi.org/10.1186/s13643-020-01542-z).

6 diferencias en la conversión de estrategias de MEDLINE PubMed – Ovid cuando busco por el tesauro MeSH

El otro día me preguntaban si ante las incongruencias del nuevo PubMed recomendaba para búsquedas complejas, como el caso de revisiones sistemáticas, hacer las búsquedas en el MEDLINE de OVID u otras alternativas de consulta de esta base de datos.

Para aquellos que se animen a dar el salto al MEDLINE de la plataforma de OVID aquí os dejo una infografía con las diferentes sintaxis de búsqueda por el tesauro MeSH que ayudará a la conversión de estrategias.

Aquí os dejo lo mismo pero en forma de tabla: