Imagina que estás leyendo un ensayo clínico sobre un nuevo fármaco para reducir la mortalidad en sepsis. El estudio reporta un Riesgo Relativo (RR) de 0.70, lo que sugiere una reducción del 30% en las muertes. Sin embargo, el intervalo de confianza (IC) del 95% va de 0.45 a 1.10. Como el intervalo cruza el 1.0 (el valor nulo), el valor p es mayor a 0.05.
¿Cuál es tu conclusión? Si eres como el 85% de los médicos en un reciente estudio canadiense, probablemente dirás: "El fármaco no tiene efecto significativo".
Te equivocas. Y ese error puede costar vidas.
1. La Trampa de la Dicotomía: El "Interruptor" del Valor P
En las facultades de medicina se nos enseña a ver la estadística como un interruptor de luz: encendido (significativo) o apagado (no significativo). Si el IC cruza el nulo, asumimos que el resultado es "negativo".
Sin embargo, la estadística no es binaria; es una medida de incertidumbre. Un IC que cruza el nulo no prueba que el efecto sea cero; simplemente indica que, con el tamaño de muestra actual, no podemos descartar con un 95% de certeza que el valor nulo sea una posibilidad. Pero —y esto es vital— el valor nulo es solo UNA de las muchas posibilidades dentro del intervalo.
2. La Estimación Puntual: Tu "Mejor Apuesta"
El punto central del intervalo (el RR de 0.70 de nuestro ejemplo) es la estimación puntual. Representa el valor más compatible con los datos observados.
Si un estudio muestra un RR de 0.70, los datos nos están diciendo que la reducción del 30% es mucho más probable que la "ausencia de efecto" (1.0). Al decir "no hay efecto", ignoras la dirección y la magnitud del beneficio observado. Como bien señalaron Altman y Bland en su famoso artículo de 1995: "La ausencia de evidencia no es evidencia de ausencia".
3. El Problema de la Precisión (Ancho del Intervalo)
¿Por qué un intervalo cruza el nulo? Generalmente por dos razones:
Porque realmente no hay efecto.
Porque el estudio es pequeño o tiene pocos eventos (falta de poder estadístico).
Un intervalo amplio (ej. 0.45 a 1.10) nos dice que el estudio es impreciso. Interpretar un estudio impreciso como "evidencia de que no funciona" es un error lógico. Es como intentar mirar a través de unos binoculares desenfocados y concluir que, como no ves nada claro, el objeto que buscas no existe.
4. ¿Cómo deberías leer un artículo a partir de ahora?
Para no caer en este error, sigue estos tres pasos cuando te enfrentes a un resultado "no significativo":
Mira la Estimación Puntual: ¿Es clínicamente importante? Una reducción del 30% en mortalidad es enorme, aunque el IC sea amplio.
Analiza los Extremos del Intervalo: Si el extremo inferior del IC muestra un beneficio masivo (ej. 0.45) y el superior solo un daño leve (ej. 1.10), la "masa de probabilidad" sugiere que el tratamiento es más probable que ayude a que dañe.
No uses la palabra "Negativo": Sustitúyela por "Inconcluso". Un estudio que cruza el nulo con una estimación puntual prometedora no es un fracaso; es una señal de que necesitamos estudios más grandes o un metaanálisis.
Conclusión para tu práctica
La próxima vez que alguien te diga que un estudio "no mostró diferencias" porque el IC cruzó el nulo, desafía esa interpretación. Mira los datos, no solo el valor p. Como médicos, tratamos pacientes basándonos en probabilidades, no en certezas absolutas del 95%. No dejes que una convención estadística arbitraria te impida ver un beneficio potencial para tu paciente.
Referencias clave para tu Formación:
Agarwal A, et al. (2026). Crossing the null does not mean 'no effect'. J Clin Epidemiol. (El estudio que demuestra que la mayoría de tus colegas cometen este error).
Altman DG, Bland JM. (1995). Absence of evidence is not evidence of absence. BMJ. (Lectura obligatoria para todo residente).
Amrhein V, et al. (2019). Scientists rise up against statistical significance. Nature. (El manifiesto moderno para dejar de usar el valor p de forma dicotómica).
