La Calidad de los Datos en la Investigación Naturopática Basada en la Evidencia: Fundamentos, Dimensiones y Aplicación Praxis. Un Marco para Garantizar la Fiabilidad del Conocimiento en Naturopatía

Resumen Ejecutivo

La Naturopatía Basada en la Evidencia (NBE) se fundamenta en la integración de la mejor evidencia científica disponible con la experiencia profesional y las preferencias del salutante. Esta evidencia, a su vez, se construye sobre datos. La calidad de estos datos determina, en última instancia, la calidad de las conclusiones, la solidez de las recomendaciones clínicas y la confiabilidad de todo el edificio científico de la disciplina.

Este artículo aborda una cuestión fundamental para el desarrollo de la investigación Naturopática: ¿cómo garantizar que los datos que utilizamos son realmente fiables y pertinentes? . Para ello, se analizan siete dimensiones esenciales de la calidad de los datos —integridad, unicidad, validez, puntualidad, precisión, coherencia y adecuación a su finalidad— y se aplican al contexto específico de la investigación en Naturopatía.

Se argumenta que la calidad de los datos no es un concepto unidimensional ni un requisito técnico menor, sino una cuestión epistemológica central que afecta a la credibilidad de la profesión, a la seguridad de los usuarios y al avance del conocimiento Naturopático. Presentamos este marco como una herramienta para que investigadores, profesionales y estudiantes evalúen críticamente la información que generan y utilizan, contribuyendo así a una Naturopatía cada vez más rigurosa, fundamentada y respetada.

Palabras clave: Calidad de datos, Naturopatía Basada en la Evidencia, investigación, metodología, fiabilidad, validez.

1. Introducción: El Dato como Fundamento del Conocimiento

Toda ciencia se construye sobre datos. Las observaciones clínicas, las mediciones de laboratorio, las respuestas a cuestionarios, los registros de seguimiento, las imágenes diagnósticas... todos estos elementos son, en última instancia, datos: representaciones de fenómenos que, una vez analizados e interpretados, se convierten en información y, finalmente, en conocimiento.

La Naturopatía, como Ciencia de la Salud autónoma, no es una excepción. La investigación en Naturopatía —ya sea básica, clínica, praxiológica o epidemiológica— depende críticamente de la calidad de los datos que utiliza. Un estudio con un diseño impecable pero basado en datos deficientes producirá conclusiones igualmente deficientes. Como advierte el refrán informático: "garbage in, garbage out" (basura entra, basura sale).

Sin embargo, la reflexión sobre la calidad de los datos ha sido tradicionalmente relegada a un segundo plano en la formación de los profesionales de la salud, incluidos los Naturópatas. Se asume que los datos "están ahí", que son objetivos, que reflejan fielmente la realidad. Esta ingenua confianza es una de las principales fuentes de error en la investigación y, por tanto, un obstáculo para el desarrollo de una auténtica Naturopatía Basada en la Evidencia.

Este artículo propone un marco sistemático para evaluar la calidad de los datos en el contexto específico de la investigación Naturopática. Vamos a basarnos en siete dimensiones fundamentales de la calidad de los datos, y desarrollándolas de forma aplicativa a los desafíos y particularidades de nuestra disciplina.

2. ¿Por qué es Crucial la Calidad de los Datos en Naturopatía?

2.1. Credibilidad Científica

La Naturopatía aspira a ser reconocida como una ciencia de la salud plenamente legítima. Este reconocimiento no se logrará mediante declaraciones institucionales, sino mediante la generación de conocimiento sólido, replicable y útil. La calidad de los datos es la base de esa solidez.

Cuando un estudio Naturopático presenta conclusiones basadas en datos de dudosa procedencia, con valores faltantes no justificados, registros duplicados o mediciones imprecisas, el daño no es solo para ese estudio, sino para toda la profesión. Se alimenta el prejuicio de que la Naturopatía es una disciplina "blanda", carente del rigor exigible a una ciencia.

2.2. Seguridad de los Usuarios

Las decisiones clínicas basadas en investigación deficiente pueden tener consecuencias directas sobre la salud de las personas. Un estudio que sobreestime la eficacia de una intervención por datos sesgados puede llevar a los profesionales a recomendarla con exceso de confianza. Un estudio que infraestime sus riesgos por datos incompletos puede poner en peligro a los usuarios.

La máxima Naturopática "primum non nocere" se aplica también a la investigación: los datos de mala calidad pueden producir daño, aunque sea indirectamente.

2.3. Avance del Conocimiento

La ciencia avanza mediante la acumulación y síntesis de estudios individuales. Una revisión sistemática o un metaanálisis solo será tan bueno como los estudios que incluye. Si estos estudios se basan en datos deficientes, las conclusiones de la revisión serán igualmente deficientes, y el conocimiento no avanzará.

2.4. Toma de Decisiones en Políticas de Salud

Cada vez más, las administraciones sanitarias consideran la evidencia científica para tomar decisiones sobre inclusión de servicios, financiación de intervenciones o regulación profesional. Si los datos Naturopáticos no cumplen estándares de calidad equiparables a los de otras disciplinas, nuestras propuestas serán desestimadas, perpetuando la invisibilidad de la profesión.

3. Las Siete Dimensiones de la Calidad de los Datos

A continuación, se analizan en profundidad las siete dimensiones propuestas, aplicándolas al contexto específico de la investigación Naturopática.

3.1. Integridad

Definición: Proporción de datos completos y disponibles para su uso.

Problema: Los valores faltantes son una realidad en toda investigación. Sin embargo, cuando su proporción es elevada o cuando no se distribuyen aleatoriamente, pueden distorsionar gravemente los resultados.

Aplicación en Naturopatía:

• Ensayos clínicos: Pérdidas de seguimiento de participantes que abandonan la intervención. ¿Se registraron las razones del abandono? ¿Se realizó un análisis por intención de tratar?
• Estudios observacionales: Cuestionarios incompletos, preguntas sin responder. ¿Son esos valores faltantes aleatorios o están relacionados con alguna característica de los participantes?
• Investigación en praxis: Registros clínicos con anamnesis incompleta, seguimientos no documentados.

Estrategias para mejorar la integridad:

• Diseñar protocolos que minimicen las pérdidas (seguimiento activo, incentivos, múltiples vías de contacto).
• Documentar exhaustivamente las razones de los valores faltantes.
• Utilizar métodos estadísticos apropiados para manejar datos incompletos (imputación múltiple, análisis de sensibilidad).
• En la práctica clínica, establecer sistemas de registro que "obliguen" a completar campos esenciales.

Ejemplo:

Un estudio sobre los efectos de un programa de alimentación desinflamatoria en 100 participantes pierde el seguimiento de 30. Si esos 30 eran precisamente los que experimentaban efectos adversos o falta de mejoría, los resultados estarán sesgados positivamente. La integridad de los datos (solo 70% completa) compromete gravemente la validez de las conclusiones.

3.2. Unicidad

Definición: Ausencia de registros duplicados. Cada entidad (persona, muestra, evento) debe estar representada una única vez.

Problema: Los duplicados generan errores operativos y analíticos, inflando artificialmente el tamaño muestral o distorsionando las relaciones entre variables.

Aplicación en Naturopatía:

• Bases de datos clínicas: Un mismo usuario registrado con diferentes identificadores o en diferentes consultas sin vincular.
• Estudios longitudinales: Mediciones repetidas mal etiquetadas, confundiendo diferentes momentos temporales.
• Reclutamiento: Una misma persona participando dos veces en el mismo estudio (con diferente identidad).

Estrategias para garantizar la unicidad:

• Utilizar identificadores únicos y robustos (DNI, número de colegiado, código alfanumérico generado).
• Implementar controles en la entrada de datos que detecten posibles duplicados.
• Realizar auditorías periódicas de la base de datos.
• En estudios con múltiples centros, centralizar la asignación de identificadores.

Ejemplo:

Un estudio sobre prevalencia del uso de fitoterapia en una comunidad encuesta a 500 personas. Si 50 de ellas son encuestadas dos veces (por error en el muestreo o porque acuden a dos centros diferentes), la prevalencia estimada será incorrecta. La unicidad de los registros es esencial para la validez de las estimaciones.

3.3. Validez

Definición: Cumplimiento de reglas predefinidas: formatos correctos, tipos de datos adecuados, rangos aceptables, patrones específicos.

Problema: Datos que no respetan las condiciones preestablecidas pierden consistencia y dificultan el análisis.

Aplicación en Naturopatía:

• Variables numéricas: Edades negativas, presiones arteriales imposibles, dosis de suplementos fuera de rango.
• Variables categóricas: Valores que no corresponden a las categorías definidas (ej., "sexo: 3" cuando solo 1 y 2 son válidos).
• Fechas: Fechas de visita anteriores a la fecha de nacimiento, seguimientos con intervalos imposibles.
• Formatos: Teléfonos con letras, códigos postales con formato incorrecto.

Estrategias para asegurar la validez:

• Definir explícitamente las reglas de validación antes de la recogida de datos.
• Implementar controles en el momento de la entrada (software que rechace valores no válidos).
• Realizar limpieza de datos previa al análisis.
• Documentar las decisiones sobre valores atípicos (outliers).

Ejemplo:

Un estudio sobre eficacia de un fitocomplejo recoge la edad de los participantes. Si algunos registros contienen "0" o "150" años, estos valores deben ser detectados y corregidos (si es posible) o excluidos del análisis. La validez de los datos garantiza que los análisis se realicen sobre valores plausibles.

3.4. Puntualidad

Definición: Disponibilidad de la información en el momento en que se necesita.

Problema: El valor del dato depende de su oportunidad. Datos correctos pero desactualizados pueden llevar a conclusiones erróneas.

Aplicación en Naturopatía:

• Estudios longitudinales: Mediciones que deben realizarse en momentos específicos y que, si se retrasan, pierden su significado.
• Investigación sobre tendencias: Datos epidemiológicos que, si son demasiado antiguos, no reflejan la realidad actual.
• Práctica clínica basada en evidencia: Revisiones sistemáticas que, si no se actualizan periódicamente, contienen evidencia obsoleta.
• Seguimiento de usuarios: Registros de evolución que no se actualizan cuando ocurren cambios relevantes.

Estrategias para garantizar la puntualidad:

• Definir ventanas temporales aceptables para cada medición.
• Establecer sistemas de alerta para recordar las recogidas de datos programadas.
• En revisiones sistemáticas, especificar la fecha de la última búsqueda y actualizar periódicamente.
• En la práctica clínica, registrar los cambios en el momento en que ocurren.

Ejemplo:

Un estudio sobre el impacto de una intervención dietética en marcadores inflamatorios requiere extracciones de sangre basales y a los 3 meses. Si las extracciones de seguimiento se realizan entre los 4 y los 6 meses por problemas logísticos, los resultados no reflejarán el efecto en el momento previsto. La puntualidad de los datos es crucial para la validez temporal de las conclusiones.

3.5. Precisión

Definición: Grado en que los valores reflejan fielmente la realidad, tomando como referencia una fuente confiable predefinida.

Problema: Datos inexactos (erróneos, mal medidos, mal registrados) producen conclusiones igualmente inexactas.

Aplicación en Naturopatía:

• Mediciones subjetivas: Escalas analógicas visuales, cuestionarios de síntomas. ¿Reflejan realmente la experiencia del usuario?
• Mediciones objetivas: Analíticas, pruebas funcionales. ¿Se han realizado con instrumentos calibrados y procedimientos estandarizados?
• Auto-reportes: Diarios de alimentación, registros de adherencia. ¿Son fiables las declaraciones de los participantes?
• Fuentes de información secundaria: ¿Son fiables las fuentes de las que extraemos datos (historias clínicas, bases de datos públicas)?

Estrategias para asegurar la precisión:

• Utilizar instrumentos de medición validados y, cuando sea posible, objetivos.
• Estandarizar los procedimientos de recogida de datos (protocolos escritos, entrenamiento de los investigadores).
• Contrastar con fuentes fiables cuando sea posible (ej., contrastar auto-reportes dietéticos con marcadores biológicos).
• Realizar doble entrada de datos y verificar discrepancias.
• En la práctica clínica, utilizar sistemas de registro que minimicen errores de transcripción.

Ejemplo:

Un estudio sobre el efecto de la quercetina en la función cognitiva utiliza un cuestionario auto-administrado. Si los participantes no comprenden bien las preguntas, o si el entorno de administración no es el adecuado (ruido, prisas), las respuestas pueden no reflejar su verdadera situación cognitiva. La precisión de los datos depende de la calidad del instrumento y del procedimiento.

3.6. Coherencia

Definición: Consistencia entre distintos conjuntos de datos o entre variables relacionadas.

Problema: Datos incoherentes (que se contradicen entre sí o con relaciones lógicas esperables) indican problemas en la recogida o en las fuentes.

Aplicación en Naturopatía:

• Relaciones lógicas: Un participante no puede tener un hijo menor que él mismo; una fecha de visita no puede ser anterior a la fecha de inclusión.
• Consistencia entre fuentes: Dos bases de datos que reportan la misma métrica deberían mostrar valores compatibles.
• Evolución temporal: Una variable que debería ser estable (ej., sexo) no debería cambiar entre mediciones; una que debería evolucionar (ej., mejoría clínica) debería hacerlo de forma coherente.

Estrategias para garantizar la coherencia:

• Definir explícitamente las relaciones lógicas esperadas entre variables.
• Realizar comprobaciones de consistencia durante la limpieza de datos.
• Contrastar fuentes de datos cuando sea posible.
• Investigar y resolver las incoherencias detectadas (no ignorarlas).

Ejemplo:

Un estudio registra la edad y la fecha de nacimiento de los participantes. Si para un participante la edad calculada a partir de la fecha de nacimiento y la fecha de la visita no coincide con la edad declarada, hay una incoherencia que debe resolverse. ¿Cuál de los dos datos es correcto? La coherencia entre variables relacionadas es un indicador de calidad global.

3.7. Adecuación a su Finalidad

Definición: Grado en que el conjunto de datos sirve para el objetivo que se pretende alcanzar.

Problema: No todos los datos son útiles para todos los propósitos. Utilizar datos inadecuados para una pregunta específica es una fuente de error conceptual, no solo técnico.

Aplicación en Naturopatía:

• Pregunta de investigación: ¿Los datos disponibles pueden responder realmente a la pregunta que nos hacemos?
• Datos secundarios: ¿Una base de datos creada para fines administrativos es adecuada para investigación clínica?
• Indicadores indirectos: ¿Una variable proxy (ej., nivel de PCR como indicador de inflamación) es adecuada para lo que realmente queremos medir (ej., actividad de la enfermedad)?
• Escalas y cuestionarios: ¿El instrumento elegido mide realmente el constructo de interés (ej., calidad de vida, vitalidad, terreno)?

Estrategias para asegurar la adecuación:

• Formular la pregunta de investigación con claridad antes de seleccionar los datos.
• Evaluar críticamente si los datos disponibles (o recogibles) pueden responder a esa pregunta.
• Utilizar instrumentos validados para los constructos de interés.
• Cuando se usen datos secundarios, documentar sus limitaciones para el propósito actual.
• Considerar si es necesario recoger datos nuevos (diseño prospectivo) en lugar de usar datos existentes.

Ejemplo:

Un investigador quiere evaluar si una intervención Naturopática mejora la "homeodinamia" (capacidad de autorregulación). Si utiliza únicamente un cuestionario de síntomas, ¿está realmente midiendo homeodinamia o solo está midiendo síntomas? Quizás necesita incluir medidas de variabilidad de la frecuencia cardíaca, marcadores inflamatorios, pruebas de función autonómica, etc. La adecuación de los datos a la finalidad es la pregunta más importante y, a menudo, la más descuidada.

4. La Interrelación entre las Dimensiones

Las siete dimensiones no son independientes. Se relacionan entre sí de formas complejas:

Dimensión	Se relaciona con...	Ejemplo de interacción
Integridad	Validez, precisión	Datos incompletos pueden ser también imprecisos si los valores faltantes no son aleatorios
Unicidad	Coherencia	Duplicados generan incoherencias en los análisis
Validez	Precisión, coherencia	Datos no válidos son necesariamente imprecisos
Puntualidad	Adecuación	Datos puntuales pueden ser inadecuados si se recogen en el momento equivocado
Precisión	Validez, coherencia	Datos imprecisos son también no válidos
Coherencia	Todas	La coherencia es un indicador global de calidad
Adecuación	Todas	La adecuación es la dimensión final que integra a las demás

Una estrategia de calidad de datos debe considerar todas las dimensiones de manera integrada, no como requisitos aislados.

5. Aplicación en la Investigación Naturopática: Un Marco Práctico

5.1. Fase de Diseño

Antes de recoger un solo dato, el investigador debe preguntarse:

Dimensión	Preguntas guía
Integridad	¿Qué haré para minimizar los valores faltantes? ¿Cómo los manejaré si ocurren?
Unicidad	¿Cómo garantizaré que cada participante/muestra tenga un identificador único?
Validez	¿Qué reglas de validación aplicaré? ¿Cómo las implementaré en la recogida?
Puntualidad	¿Cuáles son los momentos críticos de recogida? ¿Cómo aseguraré que se cumplan?
Precisión	¿Qué instrumentos usaré? ¿Están validados? ¿Cómo entrenaré a los recogedores?
Coherencia	¿Qué relaciones lógicas espero? ¿Cómo las comprobaré?
Adecuación	¿Estos datos responden realmente a mi pregunta de investigación?

5.2. Fase de Recogida

Durante la recogida de datos, se deben implementar controles:

• Doble entrada de datos para detectar errores de transcripción.
• Validaciones en tiempo real (software que rechace valores no válidos).
• Monitorización continua de la integridad (seguimiento de pérdidas, recordatorios).
• Documentación de incidencias y desviaciones del protocolo.

5.3. Fase de Análisis

Antes del análisis principal, realizar una limpieza exhaustiva:

1. Detectar valores faltantes: Cuantificar, analizar patrones, decidir estrategia de manejo.
2. Identificar duplicados: Buscar y eliminar (o fusionar) registros duplicados.
3. Verificar validez: Comprobar que todos los valores cumplen las reglas predefinidas.
4. Comprobar coherencia: Examinar relaciones lógicas entre variables.
5. Evaluar puntualidad: Verificar que las mediciones se realizaron en los momentos previstos.
6. Analizar precisión: Comparar con fuentes externas si es posible.
7. Re-evaluar adecuación: ¿Siguen siendo estos datos adecuados para mi pregunta?

5.4. Fase de Publicación

En la publicación de resultados, es obligatorio informar sobre la calidad de los datos:

• Describir los procedimientos de control de calidad implementados.
• Reportar la proporción de valores faltantes y cómo se manejaron.
• Discutir las limitaciones relacionadas con la calidad de los datos.
• Hacer disponibles (cuando sea posible) los datos y los scripts de limpieza para permitir la replicación.

6. Implicaciones para la Naturopatía Basada en la Evidencia y la Praxiología

6.1. Para la Investigación

• La calidad de los datos debe ser un criterio de evaluación de los estudios, no un mero trámite.
• Las revisiones sistemáticas deben incluir la calidad de los datos como parte de la evaluación de la evidencia.
• Las revistas científicas deben exigir a los autores que informen detalladamente sobre sus procedimientos de control de calidad.

6.2. Para la Práctica Profesional

• Los registros praxiológicos deben diseñarse teniendo en cuenta las dimensiones de calidad (integridad, validez, precisión).
• La toma de decisiones debe considerar la calidad de los datos en los que se basa.
• La investigación en praxis (estudios de caso, series) debe documentar explícitamente cómo se garantizó la calidad de los datos.

6.3. Para la Formación

• Los programas de formación en Naturopatía deben incluir contenidos específicos sobre calidad de datos.
• Los estudiantes deben practicar la evaluación crítica de la calidad de los datos en estudios publicados.
• La cultura de calidad debe impregnar toda la formación, no ser un añadido técnico.

7. Conclusión: El Dato como Compromiso Ético

La calidad de los datos no es un tema técnico menor, reservado a especialistas en estadística o informática. Es una cuestión ética y epistemológica central para la Naturopatía Basada en la Evidencia.

Ética, porque los datos deficientes pueden llevar a conclusiones erróneas que, a su vez, pueden traducirse en recomendaciones clínicas que dañen a los usuarios. La máxima "primum non nocere" se aplica también aquí.

Epistemológica, porque la credibilidad de la Naturopatía como ciencia depende de la solidez de sus fundamentos empíricos. Datos de baja calidad producen conocimiento de baja calidad, y conocimiento de baja calidad no puede sostener una disciplina que aspira al reconocimiento y al respeto.

Las siete dimensiones analizadas —integridad, unicidad, validez, puntualidad, precisión, coherencia y adecuación a su finalidad— ofrecen un marco sistemático para evaluar y mejorar la calidad de los datos en todos los ámbitos de la actividad Naturopática: la investigación, la práctica clínica, la docencia y la gestión.

Por lo que instamos a todos los profesionales, investigadores y estudiantes a:

1. Familiarizarse con estas dimensiones y aplicarlas en su trabajo diario.
2. Exigir a los productores de conocimiento (investigadores, editoriales, instituciones) que informen sobre la calidad de sus datos.
3. Formarse en metodologías de control de calidad.
4. Contribuir al desarrollo de una cultura de calidad en la profesión.

Porque, en última instancia, la calidad de la Naturopatía como ciencia depende de la calidad de sus datos. Y la calidad de sus datos depende de cada uno de nosotros.

Referencias

1. Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2018). Metodología de la investigación (6ª ed.). McGraw-Hill.
2. Altman, D. G. (1991). Practical Statistics for Medical Research. Chapman & Hall.
3. International Organization for Standardization. (2015). ISO 8000: Data quality. ISO.
4. Redman, T. C. (2008). Data Driven: Profiting from Your Most Important Business Asset. Harvard Business Press.
5. Organización Colegial Naturopática. (2026). Los tipos de investigación y su importancia para la Naturopatía Basada en la Evidencia. Madrid: OCNFENACO.
6. World Naturopathic Federation. (2017). Naturopathic Philosophy, Principles and Theories. WNF.
7. Sackett, D. L., et al. (2000). Evidence-Based Medicine: How to Practice and Teach EBM (2nd ed.). Churchill Livingstone.
8. Greenhalgh, T. (2019). How to Read a Paper: The Basics of Evidence-Based Medicine (6th ed.). Wiley-Blackwell.