Núcleos 7 y 8: Variables, operacionalización y recolección de datos

Estas dos clases cubren uno de los pasos más concretos del diseño de una investigación: decidir qué se va a medir y cómo. Una vez que el investigador tiene una pregunta, una hipótesis y objetivos claros, el siguiente problema es operativo: ¿qué datos necesito recolectar? ¿Cómo defino cada cosa que voy a medir? ¿Cómo me aseguro de que lo estoy midiendo bien? El concepto central es el de variable: cualquier característica observable de la realidad que varía entre los sujetos de estudio y que puede ser medida. Entender qué es una variable, cómo se clasifica y cómo se define operacionalmente es fundamental para diseñar cualquier investigación y para leer artículos científicos de manera crítica.

La clase 7 desarrolla la clasificación de las variables según la naturaleza de la información que contienen (cuantitativas o cualitativas, con sus subtipos) y según su función en el estudio (independientes, dependientes, confundidoras). También introduce la distinción entre precisión, exactitud, confiabilidad y validez, conceptos que determinan si las mediciones son confiables y representan la realidad. Cierra con los conceptos de prevalencia e incidencia, que son medidas de frecuencia de enfermedades muy usadas en salud pública. La clase 8 profundiza en la recolección de datos: cómo construir o elegir instrumentos de medición, cómo minimizar errores, y los tipos y características de los cuestionarios.

Para un estudiante de medicina, estos temas son inseparables de la práctica clínica. Cada vez que un médico lee un artículo y evalúa si sus conclusiones son válidas, está evaluando implícitamente si las variables estuvieron bien definidas, si los instrumentos fueron adecuados y si las mediciones fueron confiables. Y cada vez que participa en investigación, necesita tomar estas decisiones de manera explícita y fundamentada.

Una variable es toda característica observable de la realidad que varía entre los diferentes sujetos de estudio de una población y que puede ser medida. La palabra “varía” es clave: si algo es igual en todos los sujetos, no es una variable sino una constante y no tiene utilidad en un estudio. En salud, las variables pueden referirse a personas (edad, peso, presión arterial, diagnóstico, nivel educativo) o al ambiente (contaminación, accesibilidad a servicios de salud, contexto socioeconómico).

La pregunta de cuáles variables incluir en un estudio es importante y tiene una respuesta clara: se incluyen las variables mencionadas en la pregunta de investigación, las necesarias para responder los objetivos o testear la hipótesis, las que describen las características de la población (para contextualizar los resultados) y las variables confundidoras que podrían distorsionar la interpretación. Lo que no debe hacerse es incluir variables “por las dudas”, sin saber para qué sirven en ese estudio. Incluir variables innecesarias no es inofensivo: consume recursos, complejiza el análisis y puede generar confusión.

La importancia de identificar bien las variables no se limita a quienes hacen investigación. Cuando se lee un artículo científico, las variables están definidas en la sección de métodos. Saber leer esa sección —entender qué se midió, cómo se midió y si esas definiciones son adecuadas— es una competencia central de la práctica médica basada en evidencia. Un dato es el valor que adopta una variable en un sujeto determinado. Si la variable está mal definida, el dato carece de sentido.

La clasificación más importante de las variables es la que distingue entre variables cuantitativas y variables cualitativas (también llamadas categóricas). Esta clasificación determina cómo se van a resumir y presentar los datos, qué análisis estadísticos son apropiados y cómo se van a reportar los resultados. Es importante no confundir esta clasificación con los tipos de estudio: los estudios también se clasifican en cuantitativos y cualitativos, pero eso es una cosa distinta.

Las variables cuantitativas son aquellas cuyos valores se expresan en números sobre los que se pueden realizar operaciones matemáticas (promedios, sumas, divisiones). Dentro de ellas, las variables continuas son aquellas en las que cualquier valor intermedio entre dos mediciones tiene sentido: el peso, la talla, la temperatura, la presión arterial. Si un bebé pesa 3.525 gramos, ese decimal es información válida. Las variables discretas, en cambio, son aquellas en las que solo tienen sentido los números enteros: número de hijos, número de accidentes, número de internaciones. No se puede tener 1,5 hijos.

Las variables cualitativas o categóricas se expresan en categorías, no en números. Sus categorías deben ser mutuamente excluyentes: cada sujeto solo puede estar en una categoría. Se dividen en ordinales y nominales. Las ordinales son aquellas cuyas categorías tienen un orden natural: nivel socioeconómico (bajo, medio, alto), nivel educativo (primario, secundario, universitario), escala de dolor (leve, moderado, severo). Se sabe que una categoría es “mayor” que otra, pero no cuánto mayor. Las nominales no tienen orden: grupo sanguíneo (A, B, AB, 0), sexo, tipo de cobertura médica. Un subtipo muy frecuente de las nominales son las dicotómicas, que solo tienen dos valores posibles: sí/no, fallecido/vivo, expuesto/no expuesto.

Un punto que suele generar confusión es que las variables no son intrínsecamente cuantitativas o cualitativas: es el investigador quien decide cómo clasificarlas, en función de sus objetivos y del tipo de análisis que necesite hacer. La misma variable puede clasificarse de maneras distintas según el estudio. El índice de masa corporal, por ejemplo, puede medirse como variable cuantitativa continua (el valor numérico exacto), como cualitativa ordinal (bajo peso, normopeso, sobrepeso, obesidad) o como dicotómica (obeso o no obeso, usando un punto de corte de 30 kg/m²).

Esta decisión no es arbitraria: tiene consecuencias. Cuando una variable se mide como cuantitativa continua, se obtiene más información. Ese nivel de detalle permite, si hace falta, recategorizar la variable en grupos después de la recolección. Si en cambio se recolecta directamente como categórica, no es posible “volver atrás” y recuperar el valor numérico original. Por eso, en general, medir con mayor precisión da más flexibilidad. Sin embargo, también requiere más recursos, más tiempo de recolección y análisis más complejos. Siempre hay que evaluar qué nivel de detalle es necesario para responder los objetivos del estudio específico.

Una consecuencia práctica para la lectura de artículos: el tipo de estadística que se reporta depende de cómo se clasificaron las variables. Cuando se reporta un promedio y un desvío estándar, el autor midió una variable cuantitativa. Cuando se reporta un porcentaje o una frecuencia, la variable es cualitativa. Reconocer esto permite entender los resultados mucho mejor y evaluar si el tipo de análisis fue apropiado.

Además de la clasificación por naturaleza de la información, existe una segunda clasificación: por la función que cumple la variable en el estudio. Esta clasificación solo aplica a los estudios analíticos, aquellos que buscan establecer relaciones entre variables. En un estudio puramente descriptivo, no tiene sentido hablar de variable independiente y dependiente.

La variable independiente —también llamada de exposición, explicativa o predictora— es la que representa la intervención o la exposición cuyo efecto se quiere evaluar. Define los grupos que se comparan. En un estudio que evalúa si fumar causa cáncer de pulmón, la variable independiente es el hábito tabáquico (fuma o no fuma). La variable dependiente —o variable de resultado, outcome o desenlace— es la que se mide para determinar el efecto de la variable independiente. En el mismo ejemplo, la variable dependiente es la presencia o ausencia de cáncer de pulmón.

Las variables confundidoras son aquellas ajenas a la pregunta principal pero que pueden influir sobre la variable dependiente y distorsionar los resultados. En el ejemplo del tabaquismo y el cáncer de pulmón, la edad es una variable confundidora: a mayor edad hay mayor riesgo de cáncer independientemente de si la persona fuma. Si no se controla la edad, podría parecer que el efecto del tabaco es mayor de lo que realmente es, o menor. Identificar y gestionar las variables confundidoras es esencial para proteger la validez interna de un estudio.

Una vez que se identifican las variables del estudio, es necesario definirlas con precisión. El proceso de llevar una variable desde su nivel abstracto y teórico hasta una forma concreta que puede ser medida se llama operacionalización. La definición conceptual o teórica es la que aparece en los textos científicos y los diccionarios especializados; no cambia de estudio en estudio. La definición operacional, en cambio, es la que elabora cada investigador para ese estudio específico: explica exactamente cómo se va a medir la variable en el contexto concreto de esa investigación.

Un ejemplo de la clase: la diabetes tiene una definición teórica establecida (enfermedad metabólica crónica caracterizada por niveles elevados de glucosa en sangre que produce daño progresivo en órganos). Pero un investigador que quiera incluir “ser diabético” como variable en su estudio puede operacionalizarla de maneras distintas: como “toda persona que refiere tomar medicación para la diabetes en el momento de la encuesta”, o como “toda persona en cuya historia clínica figure el diagnóstico de diabetes”, o como “toda persona con glucemia en ayunas mayor o igual a 126 mg/dL en dos determinaciones”. Cada una de esas definiciones es válida; la elección depende de los datos disponibles y del contexto del estudio.

Las variables complejas —como “accesibilidad a los servicios de salud”, “calidad de atención” o “nivel socioeconómico”— requieren un proceso de operacionalización más elaborado. En esos casos, la variable abstracta se descompone en dimensiones más específicas, y cada dimensión se traduce en indicadores observables y medibles. El ejemplo del texto de Canales: la accesibilidad a los servicios de salud se puede descomponer en accesibilidad geográfica (tiempo en minutos que tarda la persona en llegar al centro de salud), accesibilidad económica (costo del transporte y disponibilidad de dinero para cubrirlo) y accesibilidad cultural (conocimientos sobre los servicios disponibles y percepción del problema de salud).

Medir bien una variable no es algo automático: exige cuidado metodológico. Cuatro conceptos son fundamentales para evaluar la calidad de una medición. La precisión —también llamada confiabilidad o reproducibilidad— es la capacidad de obtener el mismo valor cada vez que se mide lo mismo. Si se pesa a una persona siete veces seguidas en la misma balanza y los resultados varían entre 159 y 169 kg, la balanza no es precisa. La imprecisión se asocia al error aleatorio: variaciones al azar que ocurren en el proceso de medición, difíciles de controlar pero que mejoran al aumentar el número de mediciones y al entrenar a quienes miden.

La exactitud —vinculada a la validez— es el grado en que lo que se mide representa realmente el fenómeno que se quiere estudiar. Si el peso real de una persona es 165 kg y la balanza siempre marca 169, la balanza es precisa (siempre da el mismo valor) pero no es exacta (ese valor no representa la realidad). La falta de exactitud se asocia al error sistemático, también llamado sesgo: un error que siempre va en la misma dirección. El error sistemático puede estar en el instrumento (calibración incorrecta), en el observador (una forma de medir que siempre produce el mismo error) o en el sujeto (una condición que siempre distorsiona la medición de la misma manera).

La confiabilidad en investigación es la propiedad del instrumento de medir de manera consistente y reproducible: equivale a precisión. La validez es la propiedad de que el instrumento mida realmente lo que se pretende medir: equivale a exactitud. El ideal es tener un instrumento que sea a la vez confiable y válido. Además, la validez se puede analizar en dos dimensiones que ya se introdujeron en clases previas: la validez interna (que el efecto observado se deba a la intervención y no a factores ajenos) y la validez externa (que los resultados puedan generalizarse a otras poblaciones o contextos).

Una vez definidas las variables y su operacionalización, la pregunta práctica es cómo obtener los datos. Existen dos grandes caminos: usar datos secundarios —recolectados con otro propósito, como historias clínicas, registros de vacunas o bases de datos gubernamentales como la Encuesta Permanente de Hogares— o recolectar datos primarios, específicamente para el estudio, con un instrumento diseñado o elegido para ese fin. En ambos casos, el instrumento debe ser confiable (producir resultados consistentes), válido (medir lo que realmente se quiere medir) y objetivo (minimizar la influencia del investigador en el resultado).

Siempre que exista un instrumento ya validado para medir lo que se necesita, es preferible usarlo en lugar de crear uno nuevo. Los instrumentos validados tienen la ventaja de que su confiabilidad y validez ya fueron comprobadas en estudios previos, lo que además permite comparar resultados con otras investigaciones. Si el instrumento fue validado en otro idioma o contexto, puede ser necesario adaptarlo, lo cual implica un proceso formal de traducción, retrotraducción, prueba piloto y re-evaluación de sus propiedades métricas. Esto es en sí mismo un estudio de investigación.

Cuando se necesita construir un instrumento desde cero, el proceso implica listar las variables del estudio, revisar cómo han sido medidas en la literatura, pensar en la factibilidad de la medición (quiénes van a responder, cuántas veces se va a aplicar, en qué contexto) y hacer una prueba piloto con personas de características similares a la población de estudio para detectar problemas antes de la recolección definitiva.

El cuestionario es uno de los instrumentos de recolección de datos más frecuentes en investigación en salud. Puede ser autoadministrado (la persona lo completa sola) o administrado por un entrevistador entrenado. Los autoadministrados tienen la ventaja de que no requieren personal especializado y pueden distribuirse masivamente, pero presentan mayor riesgo de que las preguntas sean malinterpretadas, de respuestas incompletas y de menor compromiso del respondiente. Los administrados por entrevistador aseguran que el instrumento se complete correctamente y reducen los errores de comprensión, pero implican mayor costo y existe el riesgo del sesgo del observador: que el entrevistador interprete o consigne lo que cree que el entrevistado quiso decir.

Las preguntas de un cuestionario pueden ser abiertas o cerradas. Las abiertas permiten al respondiente expresarse libremente, lo que puede revelar aspectos no anticipados; su desventaja es que son difíciles de analizar y de codificar. Las cerradas ofrecen categorías predefinidas: son más fáciles de analizar pero pueden perder información si las categorías no cubren todas las posibilidades. Un error frecuente es definir categorías que no son exhaustivas o que se superponen.

Hay varios errores que deben evitarse al diseñar un cuestionario: preguntas ambiguas o con doble sentido, preguntas que implican suposiciones (preguntar “¿cuántas veces por semana toma alcohol?” asume que la persona toma alcohol), preguntas sobre temas sensibles al principio (deben ir al final para no condicionar las respuestas anteriores), y preguntas sobre frecuencias o cantidades sin categorías que cubran todos los valores posibles. También es importante que el cuestionario sea breve: a partir de cierto número de preguntas, la calidad de las respuestas disminuye por fatiga del respondiente. Siempre que quede duda sobre si una respuesta fue bien comprendida, conviene dejar un espacio para aclaraciones.

Dos conceptos que aparecen constantemente en la literatura médica y que se introducen en estas clases son la prevalencia y la incidencia. Ambas son medidas de frecuencia de enfermedades u otros eventos de salud en una población. La diferencia fundamental está en qué cuentan y en el tiempo.

La prevalencia mide el número total de casos existentes —nuevos y viejos— de una enfermedad en una población en un momento dado. Es como una foto: se toma la población en un instante y se cuenta cuántos tienen la enfermedad. Se calcula dividiendo el número de personas con la enfermedad sobre el total de personas en ese momento, y suele expresarse como porcentaje o como casos por cada 100.000 personas. Es un indicador de la magnitud de la presencia de una enfermedad en la población. Una prevalencia del 40% de diabetes en una comunidad indica que casi la mitad de las personas tienen esa condición.

La incidencia, en cambio, mide los casos nuevos que aparecen en un período de tiempo determinado, en una población que inicialmente estaba sana (en riesgo de desarrollar la enfermedad). Para calcularla, se parte de personas que no tienen la enfermedad, se las sigue durante un período y se cuenta cuántas la desarrollan. Es un indicador de velocidad de ocurrencia y se interpreta como riesgo: si la incidencia anual de una enfermedad es de 28 casos por cada 100.000 personas, ese número representa el riesgo que tiene cualquier persona sana de esa población de desarrollar la enfermedad durante ese año.