Tema 1.4 — Razones de riesgo (hazard ratios)

En una frase: Una razón de riesgo (hazard ratio) es un resumen compacto, ampliamente reportado y ampliamente malinterpretado de la rapidez con que ocurren eventos en un grupo comparado con otro —y leerlo bien significa preguntar siempre "¿durante qué seguimiento, en qué población, y qué compra en términos absolutos?" antes de dejar que impulse una decisión de comisionamiento, evaluación o reporte.

Por qué esto importa en la salud y la atención#

Cuando la diapositiva de un proveedor dice "nuestra intervención logró una razón de riesgo de 0.75", se está invitando a un líder a sentir una reducción del 25% en algo malo. La sensación suele ser más fuerte de lo que el hecho justifica. Una razón de riesgo (HR, por sus siglas en inglés) es una de las estadísticas más comunes en la evidencia clínica y de salud pública, y una de las más fiablemente malinterpretadas —no por estadísticos, sino por las juntas directivas, comisionadores y equipos de comunicación que actúan sobre ella. En la salud y la atención, esa brecha entre lo que dice un HR y lo que la gente cree que dice no es una molestia académica. Cambia qué se compra, qué se escala, y qué se les dice a los pacientes que esperen.

Este tema es un compañero práctico del Tema 1.3 — Decisiones basadas en evidencia. Ese tema argumentaba que debes ajustar la fortaleza de la evidencia al nivel de riesgo y mantener distintas la evidencia clínica y de entrega. Este va una capa más profundo en una sola estadística que reaparece en la evidencia clínica que se te pedirá sopesar: cómo leerla, dónde engaña, y qué exigir junto a ella. No necesitas calcular una razón de riesgo. Sí necesitas saber que el mismo HR titular puede corresponder a un beneficio que cambia vidas o a uno apenas detectable, dependiendo de hechos que la diapositiva omitió —y que un líder que no puede pedir esos hechos está a merced de quien eligió el encuadre. Porque estos números dan forma a los mensajes públicos y a las vías clínicas, equivocarse en ellos es una cuestión de confianza y equidad, no meramente de precisión.

Conceptos clave#

El riesgo instantáneo, y la razón de riesgo. Un riesgo instantáneo (hazard) es la tasa instantánea a la que ocurre un evento (muerte, ingreso hospitalario, recaída) entre quienes todavía están en riesgo en un momento dado. Una razón de riesgo es la proporción entre esa tasa en un grupo de tratamiento y la tasa en un grupo control. Un HR por debajo de 1 significa que el evento está ocurriendo más lentamente en el grupo de tratamiento; por encima de 1, más rápido; exactamente 1, sin diferencia. Surge del análisis de supervivencia —la rama de la estadística para datos de "tiempo hasta el evento"— y normalmente se estima con el modelo de riesgos proporcionales, conocido según su creador como el modelo de Cox. Fundamentalmente, un HR describe una tasa, no una probabilidad, y no una cantidad de tiempo ganado.

El supuesto de riesgos proporcionales. La conveniencia del modelo de Cox descansa en un supuesto: que la razón de riesgo es constante —la misma a los tres meses que a los tres años, la misma para una persona de 50 años que para una de 80. Este es el supuesto de riesgos proporcionales, y con frecuencia es falso. Los efectos reales varían a lo largo del tiempo de seguimiento (una intervención quirúrgica puede elevar el riesgo al principio y reducirlo después) y entre subgrupos (edad, sexo, comorbilidad, privación). Cuando el supuesto falla, el único HR reportado es un promedio sobre la ventana de seguimiento particular del ensayo y la mezcla de población —una combinación ponderada, no una constante universal que puedas trasladar a un entorno diferente.

Relativos, odds y absolutos. Un HR se confunde fácilmente con tres vecinos. El riesgo relativo (o razón de riesgos) compara la probabilidad acumulada de un evento hasta un tiempo fijo, no la tasa; se acerca al HR cuando los eventos son raros pero diverge cuando son comunes. La razón de momios (odds ratio) compara momios en lugar de probabilidades y puede parecer dramática cuando el riesgo subyacente es alto. Los tres son medidas relativas. Lo que realmente le importa a los pacientes y pagadores es lo absoluto: la reducción absoluta del riesgo (diferencia de riesgo) —cuántos eventos menos por cada cien personas— y su recíproco, el número necesario a tratar (NNT), el número de personas que debes tratar para prevenir un evento. Una medida relativa sin su pareja absoluta es media frase.

Censura y la curva de supervivencia. Los ensayos terminan; las personas se mudan, se retiran, o simplemente no han tenido el evento cuando se cierran los datos. La censura (estadística) es cómo el análisis de supervivencia maneja estas vidas parcialmente observadas, y es una fortaleza —pero una censura pesada o desequilibrada debilita lo que un HR puede decirte. El compañero visual honesto de cualquier HR es la curva del estimador de Kaplan–Meier, el gráfico escalonado de la proporción libre de eventos a lo largo del tiempo. Dos curvas que se separan de forma constante cuentan una historia diferente de dos que se cruzan o convergen —sin embargo, las tres pueden producir el mismo HR titular.

Confusión y no colapsabilidad. Un HR de un estudio observacional puede distorsionarse por confusión: algún tercer factor impulsa tanto quién recibe el tratamiento como quién tiene el evento. Los ensayos aleatorizados se protegen contra esto; las comparaciones del mundo real no, a menos que se ajusten cuidadosamente. También hay una trampa más sutil específica de razones como el HR, llamada no colapsabilidad: incluso sin confusión, la razón que obtienes después de ajustar por un factor de riesgo puede diferir de la no ajustada, puramente como un artefacto de cómo se comportan las razones. La lección es la misma —un HR está ligado al modelo exacto y a la población exacta que lo produjeron, y no viaja tan libremente como sugiere su número único y limpio.

Lo que un HR compra en años. Las personas traducen "HR 0.75" a "viviré más tiempo", pero el tamaño de esa ganancia depende enteramente del riesgo basal y de cuán comprimida ya esté la mortalidad de una población. Piénsalo como aflojar una cámara en un juego de azar: reducir una tasa compra una gran cantidad de tiempo extra cuando el riesgo basal es alto y disperso, y muy poco cuando la mayoría de las personas ya sobreviven hasta la vejez y las muertes se concentran en una ventana tardía y estrecha. La misma reducción relativa se convierte en cantidades diferentes de esperanza de vida dependiendo de ese punto de referencia —por lo que un HR no se puede leer como un número fijo de años añadidos sin conocer la población de la que proviene.

Significación estadística frente a clínica. Finalmente, un HR puede ser estadísticamente significativo —su intervalo de confianza excluye 1— mientras que el efecto al que apunta es clínicamente trivial, especialmente en un ensayo muy grande. La significación responde "¿es esto distinguible del azar?"; no responde "¿vale la pena cambiar una vía por esto?" Ambas preguntas importan, y solo la segunda debería decidir la inversión.

Buenas prácticas#

1. Preguntar siempre "¿durante qué seguimiento, y en qué población?" Un HR es un promedio sobre una ventana de ensayo específica y un grupo inscrito específico. Antes de actuar sobre él, establece la duración del seguimiento y los criterios de inclusión y exclusión —los ensayos que excluyeron a los muy ancianos, los muy jóvenes, o personas con comorbilidades comunes pueden no describir en absoluto a tu población. Trata un HR sin este contexto como una cifra incompleta, no como un titular.

2. Exigir cifras absolutas junto a cada cifra relativa. Para cualquier HR o riesgo relativo, pide la reducción absoluta del riesgo y el número necesario a tratar en la población relevante. "HR 0.75" se siente grande; "un evento evitado por cada 200 personas tratadas durante tres años" te dice si vale la pena el coste, el cambio de flujo de trabajo y los efectos secundarios. Las medidas relativas y absolutas siempre deberían aparecer juntas, y las comunicaciones al público deberían liderar con lo absoluto.

3. Insistir en ver las curvas de Kaplan–Meier. Un solo HR comprime toda una historia en un número y oculta si el efecto es temprano, tardío, creciente, decreciente o reversible. Pide las curvas de supervivencia y observa su forma: ¿se separan limpiamente, se cruzan o convergen? Las curvas que se cruzan son una señal visible de que el supuesto de riesgos proporcionales ha fallado y el único HR es engañoso.

4. No extrapolar un ensayo corto a toda una vida. Una razón de riesgo medida durante tres años no autoriza una afirmación sobre treinta. Los efectos pueden disminuir, revertirse o acumularse, y el supuesto de riesgos proporcionales casi nunca se sostiene a lo largo de toda una vida. Sé especialmente cauteloso con los modelos económicos y las líneas de prensa que proyectan un HR a corto plazo hacia ganancias dramáticas en años de vida; pregunta qué supuesto está haciendo ese trabajo, como se cubre en el Tema 6.1 — Economía de la salud.

5. Separar la significación estadística de la clínica. Un intervalo de confianza que excluye 1 te dice que un efecto probablemente es real; no dice nada sobre si el efecto es lo suficientemente grande como para importar. En ensayos grandes, diferencias triviales se vuelven "significativas". Juzga la magnitud —el beneficio absoluto— frente a la carga y el coste de la intervención, y deja que clínicos y pacientes definan qué cuenta como valioso.

6. Tratar los HR observacionales con sospecha adicional. Fuera de un ensayo aleatorizado, un HR puede reflejar confusión —personas más enfermas o más sanas que se autoseleccionan hacia el tratamiento— en lugar de un efecto verdadero. Pregunta qué se ajustó y si son plausibles factores de confusión no medidos. La evidencia del mundo real es valiosa (véase el Tema 8.6 — Investigación y evaluación en el mundo real) pero sus razones de riesgo necesitan más escrutinio, no menos.

7. Comprobar si el HR se reutiliza fuera de contexto. Un HR de una población, dosis o seguimiento se cita rutinariamente como si fuera universal. Cuando se cita una cifra, rastréala hasta su estudio fuente y confirma que la población y el criterio de valoración coinciden con tu decisión. La no colapsabilidad y los diferentes puntos de referencia significan que un número que era cierto allí puede ser silenciosamente incorrecto aquí.

8. Reportar con honestidad, y liderar con lo que la gente puede accionar. Cuando tu propia organización publique resultados, empareja cada HR con cifras absolutas y un encuadre en lenguaje llano, indica el seguimiento y la población, y evita implicar un beneficio de por vida a partir de datos a corto plazo. Esto se conecta directamente con cómo eliges medidas en el Tema 10.1 — Indicadores clave de rendimiento (KPI): la métrica que destacas da forma a lo que la gente cree.

Preguntas para debatir con tu equipo#

1. Cuando una razón de riesgo llega a nuestra junta directiva, ¿sabemos cómo pedir el seguimiento, la población y el beneficio absoluto —o actuamos solo con la cifra relativa? Esta pregunta pone a prueba si tu liderazgo puede interrogar la estadística individual más malinterpretada que encontrará. Importa porque un HR es un promedio sobre una ventana de ensayo particular y un grupo inscrito particular, y la misma cifra puede representar un beneficio transformador o uno insignificante dependiendo del riesgo basal y el seguimiento que la diapositiva omitió. La tensión es que el número relativo es emocionalmente convincente y fácil de repetir, mientras que el número absoluto —el número necesario a tratar, los eventos evitados por cada cien personas— es más aburrido y difícil de obtener, así que rutinariamente se descarta. Trabaja a través de un ejemplo real reciente: toma un HR que influyó en una decisión y reconstruye qué seguimiento cubría, quién fue excluido, y qué beneficio absoluto implicaba para tu población. Pregunta si alguien solicitó esos hechos en su momento, y si la respuesta habría cambiado la decisión. Una buena discusión termina con una expectativa permanente de que no se actúe sobre ningún HR sin su seguimiento, población y pareja absoluta.

2. ¿Dónde podríamos estar extrapolando una razón de riesgo a corto plazo hacia una afirmación a largo plazo o de por vida —en un caso de negocio, un modelo de beneficios, o un mensaje público? El tema advierte que un HR medido durante unos pocos años no autoriza afirmaciones sobre décadas, porque los efectos disminuyen, se revierten o se acumulan y el supuesto de riesgos proporcionales rara vez se sostiene a lo largo de toda una vida. Esto importa porque tanto los modelos de economía de la salud como los equipos de comunicación tienen fuertes incentivos para proyectar reducciones relativas a corto plazo hacia ganancias titulares en años de vida o ahorros de costes, y esas proyecciones pueden convertirse silenciosamente en la justificación de grandes inversiones. La disyuntiva es real: debes planificar y modelar más allá del horizonte del ensayo, sin embargo, cada año que proyectas más allá de la evidencia es un supuesto, no un hallazgo. Saca a la luz un caso de negocio activo o un modelo de realización de beneficios y pregunta qué horizonte temporal asumen sus beneficios derivados del HR, y qué pasaría con el caso si el efecto se aplanara después del período del ensayo. Considera también si algún mensaje dirigido al paciente implica una vida entera de años añadidos a partir de datos a corto plazo. Una respuesta honesta nombra dónde la extrapolación está haciendo un trabajo pesado y se compromete a declarar el supuesto abiertamente en lugar de enterrarlo en una hoja de cálculo.

3. ¿Separamos consistentemente "¿es esto real?" de "¿es esto lo suficientemente grande como para importar?" —o la significación estadística sola impulsa nuestras decisiones? Esta pregunta confronta la confusión entre significación estadística y clínica, donde un intervalo de confianza que excluye 1 se trata como luz verde sin importar el tamaño del efecto. Importa porque los ensayos grandes y los grandes conjuntos de datos del mundo real hacen que diferencias triviales sean estadísticamente significativas, y una intervención de salud digital puede publicar un HR "significativo" mientras entrega un beneficio demasiado pequeño para justificar su coste, la interrupción del flujo de trabajo, o el coste de oportunidad frente a otros usos del mismo dinero. La tensión más profunda es que la magnitud es un juicio clínico y de valor —qué cuenta como valioso depende de la condición, la carga del tratamiento y la preferencia del paciente— así que no se puede delegar a un valor p o automatizar. Toma una decisión que tu equipo tomó en parte por la fortaleza de un resultado significativo y pregunta cuál fue realmente el tamaño del efecto absoluto, y quién decidió que era lo suficientemente grande como para actuar. Explora si los clínicos y, idealmente, los pacientes estuvieron involucrados en juzgar que el beneficio valía la pena. Una respuesta sólida muestra que el equipo pide rutinariamente magnitud, no solo significación, y trata a ambas como puertas separadas que deben superarse.

4. Cuando una razón de riesgo proviene de datos rutinarios o de un conjunto de datos del mundo real de un proveedor en lugar de un ensayo aleatorizado, ¿preguntamos qué se ajustó y si una confusión no medida podría explicar el efecto? Cada vez más, las razones de riesgo que llegan a una decisión no provienen de ensayos limpios sino de fuentes observacionales —un análisis antes y después de un proveedor, un registro, o tus propios registros recopilados rutinariamente— donde las personas que recibieron una intervención difieren sistemáticamente de las que no la recibieron. Esto importa porque la confusión por indicación es la norma más que la excepción: los pacientes más sanos o más enfermos se autoseleccionan hacia el tratamiento, y a menos que esto se ajuste cuidadosamente, el HR resultante mide tanto quién fue tratado como lo que hizo el tratamiento. La tensión es que la evidencia del mundo real es genuinamente valiosa y a menudo la única evidencia disponible para un servicio de salud digital desplegado a escala, sin embargo, su conveniencia tienta a los equipos a leerla como causal cuando es meramente asociativa. Interroga un HR observacional real en el que tu equipo se haya basado: pregunta qué variables se ajustaron, qué factores de confusión plausibles quedaron sin medir, y si la dirección del sesgo probable favorece o disminuye el efecto. Considera si la no colapsabilidad —la forma en que ajustar por un factor de riesgo puede cambiar una razón incluso en ausencia de confusión— se ha tenido en cuenta en cómo se cita el número. Una respuesta honesta trata las razones de riesgo observacionales como hipótesis que necesitan más escrutinio, no menos, y puede afirmar claramente qué tendría que ser cierto para que el efecto sea real.

5. ¿Miramos rutinariamente las curvas de Kaplan–Meier detrás de una razón de riesgo, y reconoceríamos cuándo ha fallado el supuesto de riesgos proporcionales? Un solo HR promedia silenciosamente toda la forma de un efecto en un número, ocultando si el beneficio es temprano, tardío, creciente, decreciente o reversible a lo largo del seguimiento. Esto importa porque el modelo de Cox que produce la mayoría de las razones de riesgo asume que la razón es constante en el tiempo, y ese supuesto es frecuentemente falso —una intervención quirúrgica o de procedimiento puede elevar el riesgo al principio y reducirlo después, y curvas que se cruzan o convergen pueden producir el mismo HR titular ordenado que curvas que se separan limpiamente. La disyuntiva es que leer curvas de supervivencia requiere más esfuerzo y más experiencia que repetir una sola cifra, y las curvas a menudo están ausentes de la diapositiva resumen precisamente porque complican la historia. Toma una razón de riesgo sobre la que tu equipo actuó y pregunta si alguien vio el gráfico de Kaplan–Meier, qué implicaba la forma de las curvas sobre cuándo se acumuló el beneficio, y si el supuesto de riesgos proporcionales alguna vez se puso a prueba. Discute quién en el equipo tiene la alfabetización estadística para detectar líneas que se cruzan o convergen y para decir qué significan para tu población. Una buena respuesta hace de ver las curvas una expectativa permanente, no un favor de especialista, y trata una curva ausente como una razón para preguntar en lugar de un detalle a omitir.

6. ¿Hemos comprobado si una sola razón de riesgo oculta una distribución desigual del beneficio entre edad, comorbilidad y privación en las personas a las que realmente servimos? Un HR titular presenta un efecto como si aterrizara de manera uniforme, pero un beneficio promediado a través del grupo inscrito de un ensayo puede caer de forma muy diferente entre las personas mayores, más enfermas y más desfavorecidas que conforman gran parte de una población real de salud y atención. Esto importa porque actuar sobre la cifra agregada puede ampliar las desigualdades mientras parece mejorar los resultados en general: una intervención que ayuda a un subgrupo más sano y hace poco por uno más frágil aún publica un HR promedio atractivo. La tensión es que la desagregación exige datos, potencia estadística y disposición a ver una variación incómoda, mientras que el número único es más simple de reportar y más fácil de defender. Examina una decisión impulsada por una razón de riesgo y pregunta si el efecto alguna vez se desglosó por grupo de edad, comorbilidad o privación, y si el ensayo siquiera inscribió a suficientes personas de tu población para respaldar tal desglose. Considera cómo monitorearías un beneficio desigual una vez que un servicio esté en vivo, conectando con tus deberes de evaluación en el mundo real y de equidad. Una respuesta honesta acepta que un HR de apariencia uniforme puede enmascarar una realidad desigual, y se compromete a mirar el cuadro desagregado y absoluto antes de escalar.

En la práctica: un ejemplo de salud y atención#

A un sistema de atención integrada (ICS) se le ofrece un servicio de monitoreo remoto para personas con insuficiencia cardíaca. La afirmación central del proveedor es una razón de riesgo de 0.72 para el resultado compuesto de muerte o ingreso no planificado, descrita como "una reducción del 28%" y acompañada de una proyección de años de vida sustanciales ganados en toda la población.

Los líderes digitales y clínicos tratan la cifra como una pregunta de partida, no como una conclusión. Piden el estudio fuente y encuentran un único ensayo aleatorizado con un seguimiento medio de dieciocho meses, que inscribió a pacientes menores de 75 años con un ingreso reciente y sin deterioro cognitivo significativo —un grupo más sano y joven que la población real de insuficiencia cardíaca del ICS, que se inclina hacia edades mayores y más comorbilidad. Piden las curvas del estimador de Kaplan–Meier y ven que las dos líneas se separan principalmente en los primeros seis meses, y luego corren aproximadamente en paralelo —un indicio de que el beneficio se concentra al principio y de que el supuesto de HR constante es inestable en un horizonte más largo.

Luego piden absolutos. Traducido a la población del ensayo, el HR corresponde a una reducción absoluta del riesgo modesta y a un número necesario a tratar de alrededor de 20 durante dieciocho meses para prevenir un evento compuesto —significativo, pero mucho menos dramático de lo que sugería "reducción del 28%", y posiblemente aún menor en su población más anciana. Se pide al equipo de economía de la salud que reconstruya su modelo sin extrapolar el HR de dieciocho meses a lo largo de toda una vida, y que pruebe qué sucede si el beneficio temprano no persiste. Los responsables de seguridad clínica y gobernanza de la información evalúan el servicio por sus propios méritos (Tema 1.6 — Seguridad clínica y gestión de riesgos). El ICS avanza —pero como un despliegue monitoreado y escalonado con su propia evaluación del mundo real, e instruye a su equipo de comunicaciones para que lidere con el beneficio absoluto y los límites honestos, no con el titular relativo. Cuando un periódico local pregunta más tarde sobre "la cifra del 28%", el ICS puede explicar exactamente qué significa y qué no significa.

Perspectivas sectoriales#

Todos los que leen un HR tienen el mismo deber de interpretación, pero las presiones y salvaguardas difieren según la organización.

Startup#

El incentivo de una startup es presentar el número verdadero más halagador, y una razón de riesgo relativa suele ser el número verdadero más halagador disponible —así que "HR 0.7" aparece en la presentación de inversores sin el seguimiento, la población o el beneficio absoluto que lo pondrían en su tamaño correcto. El movimiento honesto y, en última instancia, más creíble es liderar con el efecto absoluto y el número necesario a tratar, declarar claramente el seguimiento y las exclusiones del ensayo, y resistir la proyección de resultados a corto plazo a lo largo de toda una vida en el caso de negocio. Los evaluadores del NHS atentos a la diligencia y los inversores serios cada vez más saben hacer estas preguntas, así que un equipo que ofrece el contexto voluntariamente parece más fuerte, no más débil. La disciplina cuesta casi nada y protege a los fundadores de una corrección posterior más dañina.

Pequeña empresa#

Un proveedor pequeño y establecido —una consulta de médico de cabecera, una farmacia comunitaria, una residencia de cuidados, o una clínica de un solo emplazamiento que sopesa una herramienta de monitoreo o la afirmación de un proveedor— tiene pacientes reales en juego pero ningún estadístico interno y poco tiempo para leer un ensayo. El riesgo práctico es que la razón de riesgo relativa del proveedor se tome al pie de la letra porque no hay nadie que reconstruya el seguimiento, la población y el beneficio absoluto, y ningún equipo de analítica para ponerla a prueba frente a la propia lista de la consulta. La respuesta proporcionada no es dominar el análisis de supervivencia sino hacer tres preguntas sencillas a cualquier proveedor —durante qué seguimiento, en qué pacientes, y a cuántas personas trataríamos para prevenir un evento— y apoyarse en recursos compartidos como la orientación de NICE, un farmacéutico de CCG o ICS, o una red de pares en lugar de juzgar el número solo. Un proveedor pequeño que insiste en la cifra absoluta y las exclusiones del ensayo antes de firmar protege a sus pacientes y su presupuesto sin necesitar la potencia estadística de un gran fideicomiso.

Gran organización#

Un fideicomiso del NHS o un ICS tiene la capacidad de analítica y los volúmenes de pacientes para interrogar un HR adecuadamente —y la responsabilidad que lo exige, porque desplegar a escala sobre una estadística malinterpretada es un riesgo de seguridad clínica y de dinero público a la vez. El fallo característico es el entusiasmo institucional: una cifra relativa convincente defendida por un clínico respetado, adoptada antes de que nadie reconstruya el beneficio absoluto para la población real, a menudo más anciana y más enferma, del fideicomiso. El correctivo es un hábito permanente —cada HR en un documento de junta llega con su seguimiento, población, reducción absoluta del riesgo y curvas de Kaplan–Meier, y cada extrapolación nombra su supuesto. Las grandes organizaciones también generan sus propios HR observacionales a partir de datos rutinarios, donde la confusión es el peligro siempre presente y el ajuste debe ser explícito.

Gobierno#

Un organismo nacional —NICE, NHS England, la Agencia de Seguridad Sanitaria del Reino Unido, DHSC— a menudo decide cómo se enmarca la evidencia para todo el sistema, así que su manejo de las razones de riesgo da forma a la comprensión pública a escala poblacional. Las decisiones aquí atraen escrutinio regulatorio, parlamentario y mediático, y una cifra relativa citada sin su pareja absoluta puede engañar a millones y erosionar la confianza cuando se corrige más tarde. El deber es publicar absolutos junto a relativos, declarar la población y el seguimiento, y ser franco sobre dónde el supuesto de riesgos proporcionales y los horizontes de ensayo cortos limitan lo que se puede afirmar. A esta escala, el encuadre honesto no es una cortesía sino un instrumento de equidad: un beneficio que parece uniforme en un solo HR puede caer de forma desigual entre la edad y la privación, y solo el cuadro desagregado y absoluto lo revela.

Modos de fallo comunes#

• Reporte solo relativo. Citar "reducción del 28%" sin reducción absoluta del riesgo ni número necesario a tratar. Antídoto: emparejar cada medida relativa con su pareja absoluta y liderar los mensajes públicos con lo absoluto.
• Extrapolación de por vida. Proyectar un HR de un ensayo corto a lo largo de décadas en un modelo económico o una línea de prensa. Antídoto: modelar solo hasta el horizonte de la evidencia, y nombrar cada supuesto más allá de él.
• Ignorar la población. Aplicar el HR de un ensayo a grupos más ancianos, más enfermos o más desfavorecidos que el ensayo excluyó. Antídoto: comprobar los criterios de inclusión y exclusión frente a tu población real.
• Asumir constancia. Tratar un HR como válido en cada edad y punto temporal. Antídoto: inspeccionar las curvas de Kaplan–Meier en busca de líneas que se crucen o converjan.
• Confundir significación con importancia. Actuar sobre un HR estadísticamente significativo cuyo efecto es clínicamente trivial. Antídoto: juzgar la magnitud por separado, con aportación clínica y del paciente.
• Confiar acríticamente en HR observacionales. Leer un HR del mundo real como causal sin preguntar sobre la confusión. Antídoto: preguntar qué se ajustó y si son plausibles factores de confusión no medidos.
• Blanqueo de números. Reutilizar un HR fuera de su contexto original como si fuera universal. Antídoto: rastrear cada cifra citada hasta su estudio fuente y criterio de valoración.

Modelo de madurez#

Lista de verificación#

• Cada razón de riesgo llega con su duración de seguimiento y los criterios de inclusión y exclusión del ensayo.
• Cada medida relativa (HR, riesgo relativo) se empareja con la reducción absoluta del riesgo y el número necesario a tratar.
• Las curvas de Kaplan–Meier se revisan en busca de la forma del efecto y cualquier cruce o convergencia.
• La población del ensayo se comprueba frente a tu población real y local antes de actuar.
• Ningún HR a corto plazo se extrapola a toda una vida sin un supuesto declarado explícitamente.
• La significación estadística y la significación clínica se juzgan como puertas separadas.
• Los HR observacionales se examinan en busca de confusión y de qué se ajustó.
• Cada HR citado se rastrea hasta su estudio fuente, criterio de valoración y seguimiento.
• Las comunicaciones públicas y de junta directiva lideran con el beneficio absoluto y los límites honestos.

Fuentes clave#

• Wikipedia — Hazard ratio, Proportional hazards model, Survival analysis (definiciones fundamentales).
• BMJ / serie The BMJ Statistics Notes — Douglas Altman y J. Martin Bland — explicaciones claras de razones de riesgo, curvas de supervivencia y riesgo absoluto frente a relativo.
• David Spiegelhalter — The Art of Statistics: Learning from Data (Pelican, 2019) — sobre comunicar el riesgo relativo y absoluto con honestidad.
• Gerd Gigerenzer et al. — Helping Doctors and Patients Make Sense of Health Statistics (Psychological Science in the Public Interest, 2007) — sobre por qué las cifras relativas engañan.
• Cochrane — Handbook for Systematic Reviews of Interventions — sobre la interpretación de medidas de efecto.
• dynomight — ensayo sobre razones de riesgo y esperanza de vida (dynomight.net) — la intuición de la ruleta rusa para explicar por qué las reducciones relativas no equivalen a años de vida, y por qué las intervenciones tienen razones de riesgo diferentes a distintas edades.
• Equator Network — guía de reporte CONSORT — sobre cómo deben reportarse los efectos de los ensayos, incluyendo resultados de tiempo hasta el evento.

Referencias#

1. Hazard ratio — Wikipedia — https://en.wikipedia.org/wiki/Hazard_ratio
2. Proportional hazards model — Wikipedia — https://en.wikipedia.org/wiki/Proportional_hazards_model
3. Survival analysis — Wikipedia — https://en.wikipedia.org/wiki/Survival_analysis
4. Relative risk — Wikipedia — https://en.wikipedia.org/wiki/Relative_risk
5. Odds ratio — Wikipedia — https://en.wikipedia.org/wiki/Odds_ratio
6. Risk difference (absolute risk reduction) — Wikipedia — https://en.wikipedia.org/wiki/Risk_difference
7. Number needed to treat — Wikipedia — https://en.wikipedia.org/wiki/Number_needed_to_treat
8. Censoring (statistics) — Wikipedia — https://en.wikipedia.org/wiki/Censoring_(statistics)
9. Kaplan–Meier estimator — Wikipedia — https://en.wikipedia.org/wiki/Kaplan%E2%80%93Meier_estimator
10. Confounding — Wikipedia — https://en.wikipedia.org/wiki/Confounding
11. Life expectancy — Wikipedia — https://en.wikipedia.org/wiki/Life_expectancy
12. Statistical significance — Wikipedia — https://en.wikipedia.org/wiki/Statistical_significance
13. The Art of Statistics: Learning from Data — David Spiegelhalter, Pelican — https://www.penguin.co.uk/books/294857/the-art-of-statistics-by-spiegelhalter-david/9780241398630
14. Helping Doctors and Patients Make Sense of Health Statistics — Gerd Gigerenzer et al., Psychological Science in the Public Interest — https://doi.org/10.1111/j.1539-6053.2008.00033.x
15. Statistics Notes (survival and risk) — Douglas Altman & J. Martin Bland, The BMJ — https://www.bmj.com/specialties/statistics-notes
16. Cochrane Handbook for Systematic Reviews of Interventions — Cochrane — https://training.cochrane.org/handbook
17. Hazard ratios and life expectancy — dynomight — https://dynomight.net/
18. CONSORT reporting guideline — Equator Network — https://www.equator-network.org/reporting-guidelines/consort/