Cada año, miles de manuscritos médicos son rechazados. Uno de los comentarios de revisores más frecuentes dice:
"La elección de los métodos estadísticos es inapropiada, lo que socava la fiabilidad de las conclusiones."
Detrás de esa frase hay normalmente tres errores muy específicos.
Error 1: Reportar datos asimétricos con Media ± DE
¿Alguna vez has escrito algo como esto?
"La estancia hospitalaria fue de 8,3 ± 12,7 días."
Media 8,3, desviación estándar 12,7. La DE es mayor que la media — lo que casi siempre indica una distribución sesgada a la derecha.
La estancia hospitalaria, los costes médicos, el tiempo de supervivencia — estas variables tienen un límite inferior natural de cero y una cola derecha larga. Describirlas con una media es como describir el ingreso promedio en una clase donde la mitad de los estudiantes estuvo junto a un multimillonario: técnicamente correcto, completamente engañoso.
Qué hacer en su lugar:
- Reportar como Mediana (IQR) en lugar de Media ± DE
- Sustituir los t-tests por Mann-Whitney U (dos grupos) o Kruskal-Wallis (múltiples grupos)
Muchos investigadores conocen esta regla en teoría. Pero cuando piden ayuda a una IA general para el análisis, la IA recurre por defecto a media ± DE y t-tests sin preguntar nunca sobre la distribución de los datos.
Error 2: Realizar múltiples comparaciones sin corrección
Comparas cuatro brazos de tratamiento con seis pruebas por pares, cada una usando p < 0,05 como umbral.
El problema: con seis pruebas, la probabilidad de obtener al menos un falso positivo supera el 26 %.
Este es el Problema de las Comparaciones Múltiples. Cada prueba es un lanzamiento de moneda para un falso positivo. Cuantas más pruebas realices, más probable es que encuentres algo que no es real.
Los revisores experimentados detectan esto de inmediato. Es una de las principales razones por las que los manuscritos se devuelven para revisión mayor.
Qué hacer en su lugar:
- Usar corrección de Bonferroni (conservadora; buena para investigación confirmatoria)
- O corrección FDR (Benjamini-Hochberg) (mayor potencia; mejor para investigación de descubrimiento)
Error 3: Usar regresión por pasos para la selección de variables
"Usé regresión por pasos para seleccionar qué variables entraban en el modelo final."
Esta frase es una señal de alerta para los revisores estadísticos — y lo ha sido durante décadas.
Los problemas con la regresión por pasos:
- Resultados inestables — con una muestra diferente, las variables seleccionadas pueden ser completamente distintas
- Valores p distorsionados — tras múltiples rondas de filtrado, los valores p en el modelo final ya no pueden interpretarse correctamente
- Sobreajuste — el modelo funciona bien en tus datos pero generaliza mal a nuevos pacientes
Este método se popularizó en los años 70 por limitaciones computacionales. Esas limitaciones han desaparecido. Los defectos del método permanecen.
Qué hacer en su lugar:
- Regresión LASSO (regularización L1; reduce automáticamente los coeficientes poco importantes a cero)
- Elastic Net (combina LASSO y Ridge; maneja mejor la multicolinealidad)
- O basar la selección de variables en conocimiento clínico previo, no en automatización impulsada por datos
Por qué la IA no puede detectar estos errores sin reglas
Pregunta a ChatGPT "ayúdame a elegir métodos estadísticos" y normalmente recibirás:
- Una lista de métodos que parece razonable
- Calificada con frases como "dependiendo de tus datos" o "generalmente recomendado"
Lo que no obtendrás: una IA que pregunte si tus datos son asimétricos, verifique si estás haciendo múltiples comparaciones, o se niegue a recomendar regresión por pasos.
Estas verificaciones requieren reglas explícitas — el tipo que un bioestadístico senior realiza automáticamente cuando revisa una sección de métodos.
Nuestro Statistical Method Advisor codifica estas reglas directamente en la herramienta de IA:
- Detecta datos asimétricos → recomienda métodos no paramétricos por defecto
- Señala comparaciones múltiples → solicita estrategia de corrección
- Prohíbe la regresión por pasos → redirige a LASSO o Elastic Net
Introduce tu descripción de datos. Obtén un plan estadístico que los revisores no devolverán.
Referencia rápida
| Error | Alternativa correcta |
|---|---|
| Media ± DE para datos asimétricos | Mediana (IQR) |
| Comparaciones múltiples sin corrección | Bonferroni o FDR |
| Regresión por pasos | LASSO / Elastic Net |
Los métodos estadísticos no son complicados — pero mantener cada regla presente bajo la presión de los plazos sí lo es. Una herramienta de IA especializada automatiza esa lista de verificación por ti.
Usar el Statistical Method Advisor → · Ver todas las soluciones de investigación →