Ventajas y dificultades de la utilización del metaanalisis en Naturopatía

La Naturopatía es una ciencia, una ciencia de carácter autónomo dentro del marco de las Ciencias de la Salud, con su ontología, epistemología, metodología, tecnología, praxiología y axiología. La Naturopatía es una ciencia que se encuadra tanto en las denominadas ciencias naturales como en las ciencias sociales; en definitiva el paradigma donde se desenvuelve el saber Naturopático es el paradigma ecobiopsicosocial, por lo que la Naturopatía la denominamos también ciencia transdiciplinar, ya que recoge de todos los saberes y áreas del saber humano para prestar un Servicio Profesional de Naturopatía integral, integrativo, holístico donde el eje central es la persona con sus atributos individuo-sociedad-naturaleza.

Y en esta linea argumental, la ciencia Naturopática , además de sus teoría y modelos, se basa en aportaciones de tras ciencias integrándolos en la practica profesional Naturopática, y para ello una de las herramientas metodológicas que cuenta la Naturopatía es el metaanalisis.

Que es el metaanalisis?

El metaanálisis es un conjunto de herramientas estadísticas, que tienen su utilidad para sintetizar los datos de una recopilación de estudios. El meta-análisis se inicia recopilando estimaciones de un cierto efecto (expresado en un índice de tamaño del efecto, como la diferencia de medias tipificada, la razón de riesgo, o la correlación) de cada estudio.

Cuando se origina la necesidad del metaanalisis?

El término "metaanálisis" fue acuñado por Gene V. Glass en 1976, siendo el primer estadístico moderno en señalar que su mayor interés era "a qué hemos llamado el meta-análisis de la investigación científica". Aún cuando esto le permitiera ser ampliamente reconocido como el fundador del método moderno, no fue sino hasta la década de los 90 cuando la práctica de los meta-análisis comenzó a figurar, pero no siempre, como los componentes importantes de un proceso de revisión sistemática. La teoría estadística en torno al metaanálisis mejoró notablemente gracias al trabajo desempeñado por Nambury S. Raju, Larry V. Hedges, Harris Cooper, Ingram Olkin, John E. Hunter, Jacob Cohen, Thomas C. Chalmers, Robert Rosenthal, y Frank L. Schmidt.

Ventajas del metaanalisis para la Naturopatía

Desde el punto de vista conceptual, se utiliza un enfoque estadístico para combinar los resultados de múltiples estudios. Por tanto, sus ventajas son las siguientes:

• Los resultados del estudio se pueden generalizar a una población más amplia;
• La precisión y exactitud de las estimaciones pueden mejorarse a mayor uso de datos. Esto, a su vez, puede aumentar la potencia estadística para detectar un efecto;
• La inconsistencia de resultados entre estudios se puede valorar y analizar. Por ej: se valora la heterogeneidad debida al error de muestreo, y si en parte ese heterogeneidad se ve influida por heterogeneidad genuina entre los estudios involucrados;
• Se pueden contrastar hipótesis respecto a las estimaciones combinadas;
• Pueden incluirse moderadores que expliquen la variación entre estudios;
• Se puede prestar atención y analizar el sesgo en publicación.

Dificultades que presenta el metanalisis en la investigación Naturopática

El metaanálisis realizado con varios estudios de corto alcance, no predice los resultados de un solo estudio amplio. ​ Algunos han argumentado que una debilidad del método es que los focos de sesgo no están controlados por el método: un buen metaanálisis de estudios mal diseñados todavía dará lugar a malas estadísticas. Esto significaría que sólo los estudios metodológicamente sólidos deben ser incluidos en un metaanálisis, una práctica llamada «síntesis de la mejor prueba». Otros analistas incluirían estudios más débiles, y añadirían una variable de predicción a nivel de estudio que refleje la calidad metodológica de los estudios para examinar el efecto de la calidad del estudio sobre el tamaño del efecto. ​ Sin embargo, otros han argumentado que el mejor enfoque es el de preservar la información sobre la variación en la muestra del estudio, echando una red tan amplia como sea posible, y que los criterios de selección metodológica introduzcan subjetividad no deseada, anulando el propósito de este enfoque-

El problema de fondo: el sesgo de publicación

Otra dificultad potencial es la confianza en los estudios publicados disponibles, lo que puede generar resultados exagerados debido a dicho sesgo, pues los estudios que muestran resultados negativos o insignificantes tienen menos probabilidades de ser publicados. Para cualquier área de investigación determinado, no se puede saber cuántos estudios han sido ocultados o descartados.

Este problema resulta en la distribución de tamaños del efecto que están sesgados, asimétricos o totalmente aislados; creando un error común de razonamiento lógico, en el que se sobreestima la importancia de los estudios publicados, mientras otros estudios ni se publican. Esto debiera ser considerado en serio al interpretar los resultados de un metaanálisis.

Esto se puede visualizar con un gráfico de embudo, el cual, es un diagrama de dispersión del tamaño de muestra y de efecto. Para un cierto nivel de efecto, cuanto menor sea el estudio, mayor es la probabilidad de encontrarlo por casualidad; al mismo tiempo, cuanto mayor sea el nivel de efecto, menor será la probabilidad de que un estudio más grande pueda resultar así de positivo. En caso de que muchos estudios negativos no fuesen publicados, los positivos restantes darían lugar a tal gráfico de embudo en el cual el tamaño de efecto es inversamente proporcional al tamaño de muestra, es decir, una parte importante del efecto que se muestra se debe a la posibilidad de que no se equilibra en el diagrama por ausencia de datos negativos no publicados. En cambio, al publicarse la mayoría de estudios, el efecto mostró no tener razón para sesgarse por el tamaño de estudio; por lo cual resulta, un gráfico de embudo simétrico. Así que, si no hay sesgo de publicación, no habría relación alguna entre el tamaño de muestra y el tamaño de efecto.​ Una relación negativa entre el tamaño de muestra y el de efecto implicaría que los estudios que encontraron efectos significativos fueran más propensos de publicarse y/o enviarse para tal fin. Hay varios procedimientos disponibles que intentan corregir el problema de cajón al identificarse, tales como adivinar en la mecha de distribución de los efectos de estudio.

Los métodos para detectar el sesgo de publicación han sido polémicos ya que suelen tener bajo impacto para detectarlo, incluso pueden generar falsos supuestos bajo ciertas circunstancias. Sin embargo, los posibles problemas de bajo impacto siguen siendo controvertidos y las estimaciones de sesgo podrían ser inferiores a la cantidad real.

Sesgo impulsado por agenda

El error más grave en el metaanálisis (H. Sabhan) ocurre a menudo cuando la(s) persona(s) realizando un metaánálisis tienen una agenda económica, social, o política, como la aprobación o la reprobación legislativa. La gente con estos tipos de agendas podrían ser más propensos de utilizar indebidamente los metaanálisis debido a sus prejuicios.

Referencias

1. Ausina, J. B., & Meca, J. S. (2015). Meta-análisis en ciencias sociales y de la salud. Editorial Síntesis.
2. Debray, T. P., Moons, K. G., Abo-Zaid, G. M. A., Koffijberg, H., & Riley, R. D. (2013). Individual participant data meta-analysis for a binary outcome: one-stage or two-stage?. PloS one, 8(4), e60650.
3. Ferguson, C. J., & Brannick, M. T. (2012). Publication bias in psychological science: prevalence, methods for identifying and controlling, and implications for the use of meta-analyses. Psychological methods, 17(1), 120.
4. Gisbert, J. P., & Bonfill, X. (2004). ¿ Cómo realizar, evaluar y utilizar revisiones sistemáticas y metaanálisis?. Gastroenterología y hepatología, 27(3), 129-149.
5. Glass, G. V., Smith, M. L., & McGaw, B. (1981). Meta-analysis in social research. Sage Publications, Incorporated.
6. González, I. F., Urrútia, G., & Alonso-Coello, P. (2011). Revisiones sistemáticas y metaanálisis: bases conceptuales e interpretación. Revista española de cardiología, 64(8), 688-696.
7. Hunter, J. E., Schmidt, F. L., & Jackson, G. B. (1982). Meta-analysis: Cumulating research findings across studies (Vol. 4). Sage Publications, Inc.
8. Ioannidis, J. P., & Trikalinos, T. A. (2007). The appropriateness of asymmetry tests for publication bias in meta-analyses: a large survey. Canadian Medical Association Journal, 176(8), 1091-1096.
9. Jackson, S. E., & Schuler, R. S. (1985). A meta-analysis and conceptual critique of research on role ambiguity and role conflict in work settings. Organizational behavior and human decision processes, 36(1), 16-78.
10. Kontopantelis, E., & Reeves, D. (2012). Performance of statistical methods for meta-analysis when true study effects are non-normally distributed: a simulation study. Statistical methods in medical research, 21(4), 409-426.
11. LeLorier, J., Gregoire, G., Benhaddad, A., Lapierre, J., & Derderian, F. (1997). Discrepancies between meta-analyses and subsequent large randomized, controlled trials. New England Journal of Medicine, 337(8), 536-542.
12. Letelier, L. M., Manríquez, J. J., & Rada, G. (2005). Revisiones sistemáticas y metaanálisis:¿ son la mejor evidencia?. Revista médica de Chile, 133(2), 246-249.
13. Lipsey, M. W., & Wilson, D. B. (2001). Practical meta-analysis. Sage Publications, Inc.
14. Martínez, F. M., Meca, J. S., & López, J. L. (2009). El metaanálisis en el ámbito de las Ciencias de la Salud: una metodología imprescindible para la eficiente acumulación del conocimiento. Fisioterapia, 31(3), 107-114.
15. Meca, J. S. (2010). Cómo realizar una revisión sistemática y un meta-análisis. Aula abierta, 38(2), 53-64.
16. Sánchez-Meca, J., & Botella, J. (2010). Revisiones sistemáticas y meta-análisis: Herramientas para la práctica profesional. Papeles del psicólogo, 31(1).
17. Schmidt, F. L. (1992). What do data really mean? Research findings, meta-analysis, and cumulative knowledge in psychology. American psychologist, 47(10), 1173.
18. Schmidt, F. L., & Hunter, J. E. (2014). Methods of meta-analysis: Correcting error and bias in research findings. Sage publications.
19. Thalib, L., & Doi, S. A. (2011). Combining heterogenous studies using the random-effects model is a mistake and leads to inconclusive meta-analyses. Journal of clinical epidemiology, 64(2), 119-123.
20. Urrútia, G., & Bonfill, X. (2010). Declaración PRISMA: una propuesta para mejorar la publicación de revisiones sistemáticas y metaanálisis. Med Clin (Barc), 135(11), 507-11.