Meta-análisis: El superpoder de la investigación científica en el

1. Definición conceptual — Un meta-análisis es un método estadístico que combina los resultados de múltiples estudios independientes que investigan una misma pregunta, para obtener una estimación más precisa del efecto estudiado. En Ecuador, por ejemplo, podríamos combinar estudios sobre la efectividad de las vacunas contra el dengue en distintas provincias.
2. Aplicaciones en salud pública — En Ecuador, el meta-análisis es crucial para sintetizar estudios sobre: 1) Eficacia de tratamientos contra enfermedades tropicales como dengue o malaria, 2) Impacto de campañas de vacunación en zonas rurales, 3) Efectividad de políticas públicas de salud en ciudades como Guayaquil o Quito.
3. Diferencia con revisión sistemática — Mientras una revisión sistemática es un método para recopilar y evaluar críticamente todos los estudios disponibles sobre un tema, el meta-análisis es una técnica estadística específica que se aplica SOBRE los resultados de esa revisión. Por ejemplo, podrías hacer una revisión sistemática de todos los estudios sobre contaminación del aire en Quito y luego aplicar meta-análisis para combinar sus resultados cuantitativos.
4. Propuesta de tema — Un buen tema para meta-análisis en Ecuador sería 'Efectividad de los filtros de agua en hogares de zonas rurales', combinando estudios de Ambato, Cuenca y otras provincias. Este tema es relevante porque el acceso a agua potable es un problema crítico en muchas comunidades ecuatorianas.

→ Ver soluciones detalladas en los pasos de corrección

1. Cálculo de pesos — El peso estadístico wᵢ se calcula como el inverso de la varianza de cada estudio. Esto refleja la precisión de cada estudio: a menor varianza, mayor peso en el meta-análisis.
   $$w_1=\frac{1}{v_1}=\frac{1}{0.04}=25w_2=\frac{1}{v_2}=\frac{1}{0.09}\approx 11.11w_3=\frac{1}{v_3}=\frac{1}{0.06}\approx 16.67$$
2. Tamaño de efecto combinado — Multiplicamos cada tamaño de efecto por su peso y sumamos, luego dividimos por la suma de pesos. Este proceso prioriza los estudios más precisos (con menor varianza).
   $$d_{comb}=\frac{w_1{d}_1+w_2{d}_2+w_3{d}_3}{w_1+w_2+w_3}=\frac{25\times 0.8+11.11\times 0.5+16.67\times 0.7}{25+11.11+16.67}=\frac{20+5.555+11.669}{52.78}\approx \frac{37.224}{52.78}\approx 0.705$$
3. Interpretación práctica — Un tamaño de efecto de 0.705 se considera un efecto grande según la escala de Cohen (0.2 pequeño, 0.5 mediano, 0.8 grande). Esto significa que, en promedio, el uso de mascarillas reduce los contagios de COVID-19 en aproximadamente un 70% en las provincias estudiadas. Para Ecuador, esto respalda políticas públicas que promuevan el uso de mascarillas en contextos de alta transmisión.
4. Error estándar — El error estándar del tamaño de efecto combinado se calcula como el inverso de la raíz cuadrada de la suma de pesos. Esto nos da una medida de la precisión de nuestra estimación combinada.
   $$SE=\frac{1}{\sqrt{\sum w_i}}=\frac{1}{\sqrt{52.78}}\approx \frac{1}{7.26}\approx 0.138$$

$$d_{comb}\approx 0.705SE\approx 0.138$$

→ Tamaño de efecto combinado ≈ 0.705 (efecto grande), Error estándar ≈ 0.138

1. Interpretación del IC del Estudio D — Cuando un intervalo de confianza incluye el valor 0, significa que el efecto observado podría ser nulo (no hay diferencia significativa entre tratamiento y control). En este caso, el Estudio D en Guayas no encuentra evidencia estadísticamente significativa de que el tratamiento sea efectivo.
2. Interpretación del diamante combinado — El diamante combinado representa el tamaño de efecto promedio ponderado de todos los estudios. Su intervalo de confianza [0.35, 0.65] no incluye el 0, lo que indica que el tratamiento es efectivo en general. El centro del diamante (0.5) sugiere un efecto mediano según la escala de Cohen.
3. Heterogeneidad I² = 45% — El estadístico I² mide la proporción de variabilidad en los resultados que se debe a heterogeneidad real entre los estudios (en lugar de error aleatorio). Un valor de 45% indica heterogeneidad moderada. Esto sugiere que los estudios no son completamente homogéneos, pero tampoco extremadamente diferentes. En Ecuador, esto podría deberse a diferencias regionales en la cepa del dengue o en el acceso a tratamiento.
   $$I^2=45\%$$
4. Recomendación de política pública — Basado en este meta-análisis, se podría recomendar implementar el tratamiento en las regiones donde los estudios individuales mostraron eficacia (Esmeraldas, Manabí, Los Ríos, Santo Domingo), pero con monitoreo continuo en Guayas donde los resultados no fueron concluyentes. También sería importante investigar las causas de la heterogeneidad para entender por qué el tratamiento funciona mejor en algunas regiones que en otras.

d_{comb} = 0.5 \quad IC_{95\\%} = [0.35, 0.65] \quad I^2 = 45\\% ParseError: Expected '}', got 'EOF' at end of input: …uad I^2 = 45\\%

→ El tratamiento es efectivo en general ($d_{c}omb$ = 0.5, IC [0.35, 0.65]), pero con heterogeneidad moderada (I²=45%). Recomendación: implementar con monitoreo en Guayas.

1. Criterios de inclusión/exclusión — Para este meta-análisis sobre contaminación del aire en Quito, los criterios serían: 1) Estudios realizados en Quito o ciudades cercanas con características similares (ej: Ambato, Latacunga), 2) Estudios que midan exposición a PM2.5 y resultados en salud respiratoria (asma, EPOC, infecciones), 3) Estudios con diseño epidemiológico (casos-control, cohortes, transversales), 4) Publicados entre 2015-2024, 5) Estudios con tamaño de muestra ≥ 100 participantes. Se excluirían estudios con datos incompletos o que usen metodologías muy diferentes.
2. Búsqueda y selección — La búsqueda se realizaría en bases de datos como SciELO Ecuador, LILACS, PubMed y repositorios universitarios locales. Usaría términos como 'contaminación aire Quito', 'PM2.5 salud respiratoria', 'efectos salud contaminación Ecuador'. Luego filtraría por criterios de inclusión, evaluaría la calidad metodológica con herramientas como Newcastle-Ottawa Scale, y finalmente seleccionaría los estudios más relevantes y de mayor calidad.
3. Hipótesis específica — Una hipótesis específica podría ser: 'Un aumento de 10 μg/m³ en la concentración anual de PM2.5 se asocia con un aumento del 20% en la prevalencia de asma en niños menores de 12 años en Quito'. Esta hipótesis es específica, medible y relevante para políticas públicas locales.
   $$H_0:\mathrm{\Delta }PM2.5=10{\text{mu}\text{g/m}}^3\Rightarrow \text{Riesgo Relativo de asma}=1.0H_1:\text{Riesgo Relativo de asma}>1.0$$
4. Cálculo del tamaño de efecto — Para este problema, el tamaño de efecto podría calcularse como riesgo relativo (RR) o odds ratio (OR) para estudios de casos-control. Para estudios de cohorte, se usaría hazard ratio (HR). Luego convertiríamos estos valores a una métrica común como d de Cohen usando fórmulas de conversión. También calcularíamos intervalos de confianza para cada estudio y combinaríamos los resultados usando modelos de efectos aleatorios debido a la heterogeneidad esperada entre estudios.
   $$RR=\frac{\text{Incidencia en expuestos}}{\text{Incidencia en no expuestos}}OR=\frac{a\times d}{b\times c}\text{(tabla 2x2)}$$
5. Limitaciones y abordaje — Las principales limitaciones serían: 1) Heterogeneidad en la medición de PM2.5 entre estudios (diferentes estaciones de monitoreo), 2) Confusión por factores como tabaquismo pasivo o exposición a otros contaminantes, 3) Sesgo de publicación (estudios negativos menos publicados), 4) Diferencias en la definición de 'asma' entre estudios. Para abordar esto, usaríamos modelos de efectos aleatorios, análisis de sensibilidad, y evaluaríamos sesgos con funnel plots y tests estadísticos como Egger's test.

→ Meta-análisis diseñado para evaluar asociación entre PM2.5 y asma en Quito con criterios estrictos, búsqueda en bases locales, hipótesis específica sobre aumento de 10 μg/m³, usando RR/OR con modelos de efectos aleatorios y abordando limitaciones con análisis de sensibilidad.

1. Cálculo de d de Cohen — El tamaño de efecto de Cohen para diferencia de medias se calcula como la diferencia entre las medias dividida por la desviación estándar pooled (combinada) de ambos grupos. Este valor estandariza la diferencia para que sea comparable entre estudios.
   $$d=\frac{M_1-M_2}{D{E}_{pooled}}D{E}_{pooled}=\sqrt{\frac{(n_1-1)D{E}_1^2+(n_2-1)D{E}_2^2}{n_1+n_2-2}}$$
2. Cálculo para cada estudio — Aplicamos la fórmula para cada estudio. Nota que en estos datos ficticios, la DE pooled ya está proporcionada, simplificando el cálculo.
   $$d_1=\frac{8}{12}\approx 0.67d_2=\frac{5}{10}=0.50d_3=\frac{10}{15}\approx 0.67d_4=\frac{7}{14}=0.50$$
3. Cálculo de varianzas y pesos — La varianza del tamaño de efecto se calcula como var(d) = (n₁ + n₂)/(n₁ × n₂) + d²/(2 × (n₁ + n₂)). Luego el peso es w = 1/var(d).
   $$var(d)=\frac{n_1+n_2}{n_1{n}_2}+\frac{d^2}{2(n_1+n_2)}{w}_i=\frac{1}{var(d_i)}$$
4. Cálculo de pesos específicos — Calculamos la varianza y peso para cada estudio. Los estudios con mayor tamaño de muestra y menor varianza reciben mayor peso.
   $$var(d_1)=\frac{100}{2500}+\frac{{0.67}^2}{200}=0.04+0.0022=0.0422w_1=23.70var(d_2)=\frac{120}{3600}+\frac{{0.50}^2}{240}=0.0333+0.0010=0.0343w_2=29.15var(d_3)=\frac{80}{1600}+\frac{{0.67}^2}{160}=0.05+0.0028=0.0528w_3=18.94var(d_4)=\frac{110}{3025}+\frac{{0.50}^2}{220}=0.0364+0.0011=0.0375w_4=26.67$$
5. Tamaño de efecto combinado — Combinamos los tamaños de efecto ponderados. El resultado nos dice el efecto promedio de las tutorías en el rendimiento matemático de los estudiantes de bachillerato en Ecuador.
   $$d_{comb}=\frac{\sum w_i{d}_i}{\sum w_i}=\frac{23.70\times 0.67+29.15\times 0.50+18.94\times 0.67+26.67\times 0.50}{23.70+29.15+18.94+26.67}=\frac{15.88+14.58+12.69+13.34}{98.46}=\frac{56.49}{98.46}\approx 0.57$$
6. Interpretación educativa — Un tamaño de efecto de 0.57 se considera mediano-alto según Cohen. Esto significa que, en promedio, los programas de tutorías mejoran el rendimiento en matemáticas en aproximadamente 0.57 desviaciones estándar. Para Ecuador, esto equivale a un aumento de aproximadamente 7-8 puntos en una escala de 100 puntos. Este resultado apoya la implementación de programas de tutorías en todo el país, especialmente en provincias con bajo rendimiento como Guayaquil.

$$d_{comb}\approx 0.57$$

→ Tamaño de efecto combinado ≈ 0.57 (efecto mediano-alto). Las tutorías mejoran el rendimiento en matemáticas en ~7-8 puntos en una escala de 100.