¿Alguna vez te has preguntado sobre la integridad y precisión de los estudios de modelos de predicción en oncología?
A veces, el mundo de la investigación médica puede parecer agobiante, con un mar de estudios, datos y términos técnicos. Hoy, quiero hablarles de un artículo que me encontré recientemente y que me pareció fascinante.
¿De qué trata este estudio?
El estudio, titulado “Overinterpretation of findings in machine learning prediction model studies in oncology: a systematic review”, proporciona una evaluación crítica y constructiva de la presencia y efecto de la “sobreinterpretación” o “spin” en la investigación de modelos pronósticos en oncología.
Encontrando la verdad en medio del Crecimiento desmesurado: la metodología de la revisión
En el contexto de un crecimiento desmesurado de publicaciones e investigación, los autores utilizaron una metodología rigurosa. Realizaron una búsqueda en las bases de datos de MEDLINE y EMBASE para identificar estudios relevantes publicados entre el 1 de enero de 2019 y el 5 de septiembre de 2019.
Durante el proceso de extracción y análisis de datos, utilizaron marcos de “spin” existentes para identificar y describir áreas de prácticas de “spin” altamente sugestivas. Piénsalo como un detective médico buscando pistas y patrones en un mar de información.
¿Qué encontraron? El impacto del “spin”
Los resultados de este estudio son, en cierto modo, sorprendentes. Se encontró que el 27% de los estudios presentaban informes inconsistentes entre los métodos y los resultados debido a análisis adicionales y a la presentación selectiva de resultados.
Pero la historia se vuelve aún más intrigante. Descubrieron que el 56% de los estudios utilizaba un lenguaje demasiado fuerte o directivo en sus títulos, resúmenes, resultados, discusiones o conclusiones. Esta práctica puede llevar a interpretaciones sesgadas o erróneas de la evidencia y los hallazgos.
Reflexiones finales: El viaje hacia la integridad en la investigación
En resumen, este estudio sirve como un faro, advirtiéndonos sobre el potencial de “spin” en la investigación de modelos pronósticos en oncología. A medida que navegamos por el océano de la investigación médica, es esencial que los investigadores informen con precisión sobre su investigación, utilizando palabras que reflejen sus resultados reales y la fortaleza de la evidencia.
Este estudio es un recordatorio de que, en el mundo de la medicina basada en la evidencia, es crucial mantener siempre un enfoque crítico cuando se examinan los resultados de la investigación y subraya la importancia de la integridad en la comunicación científica.
La próxima vez que te encuentres navegando por el mar de la investigación médica, recuerda llevar contigo un saludable escepticismo, la brújula de la integridad y la curiosidad insaciable que es tan vital en nuestro viaje de aprendizaje y descubrimiento.
Resumen del Artículo
- Título Original: Overinterpretation of findings in machine learning prediction model studies in oncology: a systematic review.
- Título en Español: “Sobreinterpretación de los hallazgos en estudios de modelos de predicción de aprendizaje automático en oncología: una revisión sistemática”.
- DOI del Artículo: **https://doi.org/10.1016/j.jclinepi.2023.03.012**
- Fecha de publicación del Artículo: Publicado en línea el 17 de marzo de 2023.
- Revista donde se publicó el Artículo: Journal of Clinical Epidemiology (J Clin Epidemiol).
- Página web de la revista: https://www.jclinepi.com/
- Importancia del artículo: Este artículo examina la sobreinterpretación, también conocida como “spin”, en la investigación de modelos de predicción en oncología utilizando técnicas de aprendizaje automático, y brinda una visión crítica y constructiva de la calidad y el rigor de la investigación en este campo.
- Objetivo del Artículo: El objetivo del estudio es evaluar la presencia de “spin” o sobreinterpretación de los hallazgos en la investigación de modelos pronósticos en oncología, incluyendo estudios que desarrollan y validan modelos para la predicción de riesgo individualizado.
- Fuentes de datos utilizadas en el artículo: Los autores realizaron una búsqueda en las bases de datos de MEDLINE y EMBASE para identificar estudios relevantes publicados entre el 1 de enero de 2019 y el 5 de septiembre de 2019.
- Proceso de selección de estudios: Los criterios específicos de selección de estudios no se proporcionan en el resumen, aunque se buscaban estudios en oncología que desarrollaran y validaran un modelo pronóstico utilizando técnicas de aprendizaje automático.
- Proceso de extracción y análisis de datos: Los autores utilizaron marcos de “spin” (Presentación Sesgada de Resultados) existentes y describieron áreas de prácticas de “spin” altamente sugestivas.
- Principales medidas y desenlaces del artículo: La principal medida parece ser la identificación y descripción de interpretaciones sesgadas de resultados -“spin”- o sobreinterpretación de los hallazgos en los estudios seleccionados.
- Resultados del Artículo: Los autores incluyeron 62 publicaciones (con 152 modelos desarrollados y 37 modelos validados) en su análisis. Encontraron que el 27% de los estudios presentaban informes inconsistentes entre los métodos y los resultados debido a análisis adicionales y a la presentación selectiva de resultados. También encontraron que el 56% de los estudios utilizaba un lenguaje demasiado fuerte o directivo en sus títulos, resúmenes, resultados, discusiones o conclusiones.
- Conclusiones del Artículo: Los autores concluyen que se debe tener en cuenta el potencial de “spin” al leer, interpretar y utilizar los estudios que desarrollan y validan modelos pronósticos en oncología. Recomiendan que los investigadores informen cuidadosamente sobre su investigación de modelos pronósticos utilizando palabras que reflejen sus resultados reales y la fortaleza de la evidencia.
Puedes Acceder a las últimas publicaciones
- Biomarcadores inflamatorios circulantes en ensayos de intervención en adultos mayores frágiles y sarcopénicos: una revisión sistemática y meta-análisis.
- ChatGPT en la Práctica Clínica, Investigación y Educación Médica: Una Revisión Sistemática
- Aplicación de la Ciencia de Datos en Medicina: Innovando en la Era Digital – Tipos de Datos
- Caso Clínico No 1: El enigma de una paciente con artritis reumatoide y síntomas neuromusculares.
- Inteligencia Artificial y gestión de Medicamentos en Atención Primaria
Te interesó este contenido?
Déjame tu nombre y correo en el formulario de contacto para notificarte sobre contenido relacionado que publique en este blog.
Accede a otras publicaciones sobre administración en salud y gestión clínica, aquí.
Oscar Efrem García Fernández