Medicina Basada en la Evidencia

Otros metanálisis: en red, de pruebas diagnósticas, de estudios observacionales – 193 – Evaluar el riesgo de sesgo permite conocer cómo este puede afectar los resultados y la síntesis de la eviden- cia. Los EO prospectivos tienen menos sesgos, apor- tando mejor evidencia. Los estudios retrospectivos son propensos a sobreestimar el efecto debido a sesgos de selección y confusión. El sesgo de confusión es la princi- pal amenaza para la validez de los estudios de cohortes, mientras que en los de casos y controles son los sesgos de selección, además de muchas otras limitaciones. El metanálisis no debe ser un componente destacado de la revisión sistemática de estudios observacionales, debiendo enfatizarse el examen cuidadoso de las posibles fuentes de heterogeneidad entre los resultados Un ejemplo de esto lo podemos ver en los hallazgos contradictorios de un MAEO que analizó la asociación entre el consumo de té y el cáncer de mama. Mostró una asociación estadísticamente significativa a favor del consumo en los EO combinados y en casos y con- troles, que no se observó en los estudios de cohortes ( Figura 11 ). La explicación más probable es que los ses- gos produjeron una asociación espuria en las estima- ciones de los primeros. Se espera una alta heterogeneidad, debiendo explo- rarse usando I 2 o Q de Cochrane y análisis de metarre- gresión. Otra estrategia recomendada es el análisis de sensibilidad, probando la estabilidad de los hallazgos entre diferentes diseños y enfoques usados para deter- minar la exposición y selección de participantes. La combinación estadística de resultados en un MA re- quiere valorarse cuidadosamente para evitar resulta- dos engañosos. Si se considera que los EO incluidos son razonablemente resistentes a los sesgos y relativamen- te homogéneos, se pueden combinar. Algunos autores plantean que el MAEO debería abandonarse. Otros se oponen, pero plantean que el MA no es lo más relevan- te, ya que el análisis minucioso de las fuentes de hete- rogeneidad aporta más que el cálculo de una medida general del efecto, que podría estar sesgada. Se recomienda que los EO de diferentes diseños (o con diferencias relevantes en su implementación) no se combinen en un MA. Para controlar por los factores de confusión, es clave conocer la estimación del efecto de la intervención y su error estándar (o intervalo de confianza) antes de combinar. Se debe analizar la con- tribución del diseño a la heterogeneidad y realizar un MA separado por diseño, cuando las estimaciones del efecto varían sistemáticamente. Un ejemplo se observa en el MA de consumo de té y cáncer de mama, mencio- nado previamente ( Tabla 2 ). Si hay homogeneidad, las diferencias entre los estudios se deben al azar, siendo apropiado un análisis de efecto fijo para calcular el efecto general. Si hay heterogenei- dad, se debe usar un modelo de efectos aleatorios. Si bien cualquier medida del efecto se puede utilizar en MAEO, habitualmente se utiliza OR porque es la única medida para resultados dicotómicos que se calcula en estudios de casos y controles, y también en la regresión logística. En la etapa de análisis, para controlar por los factores de confusión y obtener una estimación ajustada del efecto, se usan varios métodos. Uno de ellos es la estratificación que divide los participantes en subgrupos por factores pronósticos categóricos. Otros son los mo- delos de regresión, en los cuales la información sobre la intervención y los factores pronósticos se incorporan a una ecuación de regresión. Habitualmente se utiliza re- gresión logística para los resultados dicotómicos, regre- sión lineal para los resultados continuos (probablemen- te después de la transformación de una o más variables) y regresión de riesgos proporcionales (regresión de Cox) para los datos de tiempo hasta el evento. Tabla 2. Asociaciones sobre el consumo de té y el riesgo de cáncer de mama según diseño del estudio Tipo de estudio Valor de p (efectos aleatorios) Heterogeneidad (l 2 ) Nivel de evidencia Observacional <0,001 Muy grande Débil Cohortes 0,451 Moderada No significativa Caso-control <0,001 Muy grande Débil Elaborada con datos de: Kim TL, Jeong GH, Yang JW, Lee KH, Kronbichler A, van der Vliet HJ, et al . Tea Consumption and Risk of Cancer: An Umbrella Review and Meta-Analysis of Observational Studies. Adv Nutr. 2020;11(6):1437-52. OR (IC 95%) 1,2 1,4 1 0,8 0,6 0,4 0,2 0 Figura 11. Ejemplo de hallazgos contradictorios de un metanálisis de estudios observacionales Consumo de té y cáncer de mama Observacional Cohortes Caso-control