Resumen Unificado PIAS — Núcleos 1 al 9

Este documento reúne lo esencial de los núcleos 1 al 9 de PIAS en un solo lugar, pensado para estudiar en poco tiempo antes del examen de multiple choice sobre un artículo científico. Está organizado por núcleo, con los conceptos clave, tablas comparativas y —al final— una guía práctica de qué identificar cuando leas el artículo del examen.

Las preguntas de desarrollo no se incluyen. En cambio, se rescatan los conceptos y distinciones que más aparecen en consignas de opción múltiple: clasificaciones, diferencias entre términos similares, estructuras (PICO, FINER, pirámide de evidencia) y errores frecuentes en el diseño de investigaciones.

El conocimiento es una manera de relacionarse con la realidad: describirla, explicarla y predecirla. No todo conocimiento es igual. El conocimiento de sentido común (también llamado vulgar o cotidiano) se construye desde la experiencia directa y se valida con “siempre lo hice así”. El conocimiento científico exige métodos sistemáticos, criterios de validación explícitos y la posibilidad de ser revisado y refutado.

Las 9 características del conocimiento científico según Díaz: descriptivo-explicativo-predictivo · crítico-analítico · metódico · sistemático · controlable · unificado · lógicamente consistente · comunicable con lenguaje preciso · objetivo · y provisorio (siempre susceptible de revisión ante nueva evidencia).

La epistemología es la disciplina filosófica que estudia cómo se produce y valida el conocimiento científico. No es monolítica: hay al menos dos tradiciones. El neopositivismo (Círculo de Viena) defiende un único método válido para todas las ciencias, tomando las ciencias naturales como modelo. Las corrientes críticas reconocen el contexto histórico y social de la ciencia y defienden metodologías propias para las ciencias sociales.

La ciencia como institución no es solo un cuerpo de saberes: es una práctica social organizada que ocurre en universidades, laboratorios, publicaciones y comunidades científicas. Lo que se investiga y qué resultados se consideran válidos está atravesado por relaciones de poder e intereses históricos y culturales. Reconocer esto no invalida la ciencia: la hace más comprensible.

Díaz distingue tres momentos en la producción científica. El contexto de descubrimiento es el proceso subjetivo e histórico por el que el investigador llega a una hipótesis: incluye intuiciones, experiencia, sesgos y contexto cultural. No sigue un método fijo. El contexto de justificación es donde la hipótesis se pone a prueba: opera la metodología, la lógica y la objetividad; los resultados se publican y la comunidad científica los evalúa. El contexto de aplicación es donde el conocimiento validado se traduce en intervenciones concretas: medicamentos, dispositivos, políticas sanitarias.

Ejemplo: Marshall descubrió que H. pylori causa úlceras observando algo que todos veían pero nadie interpretaba (descubrimiento) → se infectó a sí mismo y publicó los resultados, que fueron validados con el Premio Nobel 2005 (justificación) → se instauraron nuevos protocolos con antibióticos (aplicación).

Las ciencias formales (lógica, matemática) trabajan con objetos no observables y usan el método deductivo. Las ciencias fácticas (naturales y sociales) estudian fenómenos observables y usan el inductivo e hipotético-deductivo. La medicina es multidisciplinaria: combina ambas, ya que integra bases biológicas con aspectos psicológicos, sociales y culturales.

El método inductivo va de lo particular a lo general: se observan casos, se recopilan datos y se formula una generalización. Sus conclusiones son siempre tentativas. El método deductivo va de lo general a lo particular: parte de una premisa aceptada y llega a una conclusión específica. El método hipotético-deductivo combina ambos: se formula una hipótesis, se deducen consecuencias observables y se las pone a prueba. Si se confirman, la hipótesis se refuerza; si no, se revisa. Es el dominante en investigación biomédica experimental.

La diferencia está en el objetivo, no en el rigor. La ciencia básica genera conocimiento por sí mismo, sin aplicación inmediata predefinida (por ejemplo, estudiar los mecanismos moleculares de una sustancia antitumoral). La ciencia aplicada toma ese conocimiento y lo orienta a resolver un problema concreto (por ejemplo, diseñar un ensayo clínico con esa sustancia). Sin ciencia básica sólida no hay ciencia aplicada posible, y sin ciencia aplicada el conocimiento básico no se traduce en mejoras para la salud.

El enfoque cuantitativo es secuencial y probatorio: la hipótesis va antes de los datos, usa instrumentos estandarizados, produce números analizados estadísticamente, busca representatividad y generalización. Su base epistemológica es el positivismo: hay una realidad objetiva y única que puede medirse.

El enfoque cualitativo es circular e iterativo: la pregunta puede refinarse durante el proceso, los participantes son protagonistas (no objetos), produce narrativas y discursos, busca comprensión en profundidad. Su base es la hermenéutica y la fenomenología: la realidad es construida por los sujetos y hay múltiples versiones de ella.

Los enfoques mixtos combinan ambos. La investigación-acción participativa (IAP), surgida en América Latina con Orlando Fals Borda, transforma la relación investigador-comunidad: ya no es sujeto-objeto sino sujeto-sujeto. El objetivo no es solo producir conocimiento sino transformar la realidad. Proceso en espiral: diagnóstico → reflexión → priorización → acción → evaluación → nuevo ciclo.

La elección del enfoque depende siempre de la pregunta de investigación. “¿Cuántos pacientes…?” → cuantitativo. “¿Cómo viven su diagnóstico…?” → cualitativo. Ninguno es mejor que el otro: responden a tipos diferentes de preguntas.

Antes de investigar hay que responder: ¿qué se sabe?, ¿qué ya se estudió?, ¿qué resultados se encontraron?, ¿qué no está resuelto? Sin revisión de la literatura no sabemos si el problema ya fue respondido, si el método elegido es adecuado ni si la pregunta tiene sentido científico.

La perspectiva teórica es el conjunto organizado del conocimiento existente sobre el problema. Es simultáneamente un proceso (inmersión activa en la literatura) y un producto (el marco teórico del reporte final). Sus funciones principales: identificar el gap (vacío de conocimiento), evitar duplicar estudios ya existentes, fundamentar científicamente el estudio y orientar la formulación de la pregunta. Hernández-Sampieri agrega: prevenir errores, inspirar nuevas líneas de investigación y proveer marco para interpretar los resultados.

Importante: “marco teórico” ≠ “teoría”. No todo estudio se basa en una teoría formal. El marco teórico puede incluir conceptos, antecedentes y resultados de investigaciones previas aunque no haya una teoría unificadora.

La pirámide de evidencia clasifica los diseños de estudio según su nivel de control y riesgo de sesgo. De mayor a menor calidad: (1) revisiones sistemáticas y metaanálisis, (2) ensayos clínicos aleatorizados, (3) estudios observacionales (cohortes, casos y controles, transversales), (4) opiniones de expertos. Las guías clínicas, informes y libros de texto no son diseños en sí mismos: su nivel de evidencia depende de en qué evidencia se basan.

La búsqueda bibliográfica sigue estos pasos: (1) delimitar el tema (de amplio a específico), (2) identificar conceptos principales, (3) convertirlos en palabras clave —idealmente en inglés y en términos MeSH para PubMed—, (4) combinar con operadores booleanos ( AND = deben aparecer juntos, OR = sinónimos, NOT = excluir), (5) ejecutar en bases de datos (PubMed, BVS, SciELO) con filtros por año, idioma y tipo de artículo, (6) evaluar y seleccionar resultados.

La IA en búsqueda bibliográfica es una herramienta de apoyo, no de reemplazo. Sirve para explorar, generar palabras clave, resumir y comprender artículos. Limitación crítica: puede citar artículos inexistentes o con conclusiones incorrectas. Toda referencia sugerida por IA debe verificarse directamente en la base de datos antes de usarla.

La introducción sigue una pirámide invertida con cuatro movimientos: (1) problema general y su relevancia, (2) estado actual del conocimiento (¿qué se sabe?), (3) gap o vacío (¿qué no se sabe?), (4) objetivo del estudio. Cada afirmación debe estar respaldada con citas en formato AMA.

Los elementos esenciales de un proyecto de investigación (Gisbert y Chaparro): título (≤15 palabras, claro e informativo), resumen (≤250 palabras, sin abreviaturas), introducción (con vacíos y justificación), objetivos (general: uno; específicos: no más de cuatro), metodología (qué, cómo, cuándo, dónde), cronograma realista. Todo debe tener coherencia interna: de los antecedentes deben derivarse los objetivos, y la metodología debe responder a esos objetivos.

Un problema de investigación es una brecha entre la realidad observada y cómo debería ser (Rovere). Existe cuando hay un gap de conocimiento: algo que no se sabe, no se puede explicar o sobre lo cual la evidencia es insuficiente. Sus orígenes pueden ser teóricos (vacíos en el cuerpo de conocimiento) o prácticos (situaciones concretas de la clínica o la salud pública).

El proceso de delimitación consiste en ir recortando progresivamente el área-problema hasta llegar a una pregunta específica y manejable. Delimitar no significa trivializar: significa ser honesto sobre lo que se puede responder con los recursos disponibles. Tampoco se debe recortar tanto que el resultado no le sirva a nadie.

Una pregunta de investigación bien formulada debe: (1) expresar una relación entre variables (salvo estudios puramente descriptivos), (2) estar formulada como pregunta, (3) posibilitar la prueba empírica, (4) no incluir juicios de valor, (5) tener variables claras y delimitadas.

La pregunta clínica busca una respuesta que ya existe en la literatura: alguien ya investigó eso. Se resuelve con medicina basada en evidencia. La pregunta de investigación señala un vacío colectivo que la comunidad científica no ha resuelto: para responderla hay que diseñar y ejecutar un estudio nuevo. Confundirlas lleva a hacer estudios innecesarios o a no hacer los necesarios.

La relación es dinámica: una pregunta clínica puede convertirse en pregunta de investigación cuando la búsqueda bibliográfica revela que no hay respuesta suficiente. Y una pregunta de investigación respondida genera evidencia que nutre futuras preguntas clínicas.

Los criterios FINER evalúan si una pregunta vale la pena antes de invertir recursos. Factible (¿se puede hacer con los recursos disponibles?), Interesante (¿hay motivación genuina?), Novedosa (¿aporta algo nuevo?), Ética (¿respeta la Declaración de Helsinki: consentimiento informado, riesgos proporcionales?), Relevante (¿le importa a alguien más allá del investigador?).

La estrategia PICO estructura preguntas analíticas cuantitativas. Población (sujetos del estudio, criterios de inclusión/exclusión), Intervención o exposición evaluada, Comparador (placebo, otro tratamiento o ninguna intervención), Outcome (desenlace que se medirá). Se puede agregar Tiempo y Medición. PICO aplica a preguntas de intervención, etiológicas, diagnósticas y pronósticas. No aplica a preguntas cualitativas.

Las preguntas cualitativas son flexibles y pueden reformularse durante el campo. Comienzan con “cómo”, “qué” o “cuál”. Sus componentes son: el fenómeno central + lo que se quiere conocer + la población con su contexto.

Una hipótesis es una respuesta tentativa a la pregunta de investigación, formulada antes de recolectar datos, basada en bibliografía o experiencia. No es una intuición al azar: es una conjetura fundada que el estudio se propone confirmar o rechazar.

¿Cuándo se formulan? En estudios exploratorios: NO (no hay base suficiente). En estudios descriptivos: generalmente NO, salvo que el investigador quiera pronosticar un valor específico. En estudios analíticos (cohorte, casos-controles, ensayos clínicos): SÍ, prácticamente obligatoria.

La hipótesis correlacional propone que dos variables van juntas, sin afirmar que una causa a la otra. Ejemplo: “el tabaquismo está asociado a enfermedades pulmonares.” La hipótesis causal propone que una variable independiente produce un cambio en la dependiente. Ejemplo: “la acupuntura produce reducción del dolor en pacientes con ciática.” Para que una asociación sea causal debe cumplir: temporalidad (la causa ocurre antes que el efecto) · plausibilidad biológica · relación dosis-respuesta · consistencia · reproducibilidad. La causalidad solo puede demostrarse en ensayos clínicos o experimentos controlados.

La hipótesis nula (H₀) afirma que no existe efecto ni asociación: es el estado de “inocencia” que el estudio se propone desafiar. La hipótesis alternativa (H₁) es lo que el investigador quiere demostrar. Se acepta H₁ cuando hay evidencia estadística suficiente para rechazar H₀. Importante: “no se encontraron diferencias significativas” no es lo mismo que “la hipótesis nula es verdadera”: solo significa que no pudo rechazarse.

Estructura básica: “A se asocia a B en C” → Variable independiente (A) + variable dependiente (B) + población (C). Los componentes son los mismos que PICO. La hipótesis no inventa elementos nuevos: los toma de la pregunta y los organiza como afirmación.

5 características esenciales: (1) referida a una situación real y verificable, (2) variables comprensibles, precisas y concretas, (3) relación propuesta lógica y verosímil, (4) variables observables y medibles, (5) existe técnica disponible para probarlas. Si falla alguna, la hipótesis no tiene utilidad científica.

Los objetivos comparten los mismos componentes que la pregunta y la hipótesis. La diferencia está en la forma gramatical: pregunta (interrogante) → hipótesis (afirmación) → objetivo (acción con verbo en infinitivo). El objetivo general expresa el propósito global del estudio (uno solo). Los objetivos específicos describen los pasos concretos para lograrlo (máximo cuatro).

Errores frecuentes al formular objetivos: (1) incluir pasos del proceso (“revisar la bibliografía”), (2) usar verbos de intención (“intentar”, “tratar de”), (3) incorporar consecuencias futuras de los resultados (“para poder aplicar la técnica en toda la población”).

Una variable es toda característica observable de la realidad que varía entre los sujetos de estudio y puede medirse. Si algo es igual en todos los sujetos, es una constante y no tiene utilidad en el estudio. Se incluyen las variables mencionadas en la pregunta de investigación, las necesarias para responder los objetivos, las que describen las características de la población y las variables confundidoras. Incluir variables “por las dudas” consume recursos y complejiza el análisis sin aportar nada.

Las variables cuantitativas se expresan en números sobre los que se pueden realizar operaciones matemáticas. Las continuas admiten cualquier valor intermedio (peso, talla, temperatura, presión arterial). Las discretas solo admiten valores enteros (número de hijos, de internaciones).

Las variables cualitativas o categóricas se expresan en categorías mutuamente excluyentes. Las ordinales tienen orden natural (nivel socioeconómico, escala de dolor). Las nominales no tienen orden (grupo sanguíneo, sexo, tipo de cobertura). Un subtipo frecuente de las nominales son las dicotómicas: solo dos valores posibles (sí/no, vivo/fallecido, expuesto/no expuesto).

Importante: el investigador decide cómo clasificar cada variable según sus objetivos. Una variable cuantitativa puede operacionalizarse como categórica (hemoglobina → “con/sin anemia”). Siempre es preferible recolectar el dato numérico continuo y luego categorizar si hace falta; al revés no es posible.

Esta clasificación solo aplica a estudios analíticos. La variable independiente (de exposición) representa la intervención o condición cuyo efecto se quiere evaluar; define los grupos que se comparan. La variable dependiente (de resultado / outcome) es la que se mide para determinar el efecto; es la “respuesta” del estudio. Las variables confundidoras son ajenas a la pregunta principal pero pueden influir sobre la dependiente y distorsionar los resultados. Se controlan en el diseño (aleatorización, restricción) o en el análisis (ajuste estadístico). No identificarlas ni gestionarlas es una fuente importante de conclusiones erróneas.

La precisión (confiabilidad) es la reproducibilidad: obtener resultados consistentes en condiciones similares. Se asocia al error aleatorio. La exactitud (validez) es el grado en que lo que se mide representa realmente el fenómeno que se quiere estudiar. Se asocia al error sistemático (sesgo): un error que siempre va en la misma dirección.

Analogía del blanco: tiros juntos pero lejos del centro = preciso pero no exacto. Tiros dispersos pero en promedio cerca del centro = exacto pero no preciso. El ideal es tener ambas. Ejemplo: un tensiómetro que siempre marca 10 mmHg más de la presión real es preciso (reproducible) pero no exacto: los pacientes parecerían hipertensos sin serlo.

La prevalencia mide el total de casos existentes (nuevos + viejos) de una enfermedad en una población en un momento dado. Es una “foto” transversal. Indicador de magnitud. Fórmula: casos con la condición / total de la población estudiada. Se calcula en estudios transversales.

La incidencia mide los casos nuevos que aparecen en una población inicialmente sana durante un período de tiempo determinado. Requiere seguimiento. Indicador de velocidad y riesgo. Se calcula en estudios de cohorte. La prevalencia depende en parte de la incidencia y de la duración de la enfermedad.

Un buen instrumento debe ser confiable (reproducible), válido (mide lo que debe) y objetivo (minimiza la influencia del observador). Si existe un instrumento ya validado, es preferible usarlo sobre uno nuevo. Siempre realizar una prueba piloto antes de la recolección definitiva.

La población blanco es aquella sobre la cual se plantea la pregunta de investigación y a la cual se quieren generalizar los resultados. Es teórica e inabarcable. Aparece en la pregunta de investigación y los objetivos. La población accesible es la fracción de la blanco disponible y potencialmente incluible, definida por características geográficas, temporales y de acceso. Aparece en la sección de métodos (criterios de selección). La muestra es el subconjunto de la accesible que efectivamente ingresa al estudio. Aparece en el inicio de los resultados (a menudo como diagrama de flujo).

Para que la inferencia sea válida, la cadena de representatividad debe mantenerse: muestra → representa población accesible → representa población blanco. Si en algún eslabón se rompe, la inferencia queda comprometida.

Los criterios de inclusión describen las características que un individuo debe cumplir para participar. Deben ser detallados y descriptivos de la población blanco. Los criterios de exclusión son excepciones específicas que, aun cumpliendo los de inclusión, impiden participar. Deben ser los mínimos necesarios y justificados por razones metodológicas (riesgo de confusión, calidad de datos) o éticas (autonomía, no maleficencia).

Error frecuente: convertir los criterios de inclusión en su negativa y ponerlos como exclusión. Si en inclusión se pone “mayores de 18 años”, poner en exclusión “menores de 18” es redundante e incorrecto. Los de exclusión son excepciones, no el espejo de los de inclusión.

El muestreo probabilístico asigna a cada individuo una probabilidad conocida de ser elegido, lo que permite generalizar con mayor solidez. Sus subtipos: aleatorio simple (lista completa + selección al azar), sistemático (uno de cada n; riesgo: que la periodicidad coincida con alguna variable relevante), estratificado (divide la población en estratos y selecciona de cada uno; útil para subgrupos poco frecuentes), por clusters (selecciona grupos naturales completos — hospitales, escuelas— elegidos aleatoriamente; útil cuando no existe lista de individuos).

El muestreo no probabilístico no permite generalizar con la misma solidez. Sus subtipos: por conveniencia (se incluye a quien está disponible; el más frecuente en la práctica), intencional/por criterio (casos elegidos por sus características cualitativas), bola de nieve (los participantes reclutan a otros).

Los sesgos son errores sistemáticos no intencionales que afectan los resultados siempre en la misma dirección, a diferencia de los errores aleatorios que se compensan con más observaciones. Los sesgos de selección afectan la representatividad entre la muestra, la población accesible y la blanco. El sesgo de inclusión ocurre cuando la muestra que ingresa no representa a la población blanco (ej: centro de alta complejidad → pacientes sistemáticamente más graves). El sesgo de permanencia ocurre cuando los que se pierden durante el seguimiento tienen características distintas a los que permanecen.

Clave: los sesgos deben anticiparse en el diseño. Una vez cometido el sesgo, no puede corregirse en el análisis.

Al leer el artículo, identificar rápidamente estos elementos antes de responder las preguntas:

1. Tipo de estudio — ¿cuantitativo, cualitativo o mixto? ¿descriptivo, analítico o exploratorio? ¿Dónde ubico este diseño en la pirámide de evidencia?

2. Método lógico — ¿inductivo, deductivo o hipotético-deductivo?

3. Pregunta de investigación — ¿qué gap responde? ¿Es pregunta clínica (respuesta ya existente) o de investigación (vacío colectivo)? ¿Está estructurada en PICO?

4. Hipótesis (si la hay) — ¿correlacional o causal? ¿Cuál es H₀ y cuál H₁? ¿El estudio rechazó o no rechazó H₀?

5. Variables — ¿cuantitativas (continuas / discretas) o cualitativas (ordinales / nominales / dicotómicas)? ¿Cuál es la independiente, la dependiente y hay confundidoras? ¿Cómo se operacionalizaron?

6. Población blanco / accesible / muestra — ¿dónde está definida cada una en el artículo? ¿Cuáles son los criterios de inclusión y exclusión?

7. Tipo de muestreo — ¿probabilístico (cuál subtipo) o no probabilístico (cuál subtipo)?

8. Sesgos posibles — ¿de selección (inclusión o permanencia), del observador, del instrumento? ¿Los autores los reconocen en la discusión?

9. Prevalencia o incidencia — si el artículo reporta datos de frecuencia, ¿es un dato transversal (prevalencia) o de seguimiento (incidencia)?

10. Nivel de evidencia — ¿dónde ubico este diseño en la pirámide? ¿Qué tipo de conclusiones se pueden extraer de él?