Forest plots y metaanálisis: guía práctica
Un forest plot muestra el tamaño del efecto de cada estudio con su intervalo de confianza y un rombo para la estimación combinada, así que en una sola figura ves si los estudios coinciden y cuán grande es el efecto conjunto. Esta guía explica los datos que necesitas, efectos fijos frente a aleatorios, la heterogeneidad y los efectos de estudios pequeños, y cómo dibujar el gráfico gratis en LabTools.
En esta guía
- Qué muestra un forest plot
- Los datos que necesitas
- Efectos fijos o efectos aleatorios
- Crea un forest plot en LabTools
- Efectos de estudios pequeños y sesgo de publicación
- Qué informar
- Preguntas frecuentes
Ocho estudios, odds ratios con IC del 95%; la odds ratio combinada de efectos fijos es 0.74 (IC del 95%: 0.68–0.80). Ver el ejemplo completo
Qué muestra un forest plot
Cada fila es un estudio: un marcador en su estimación del efecto y una línea horizontal para su intervalo de confianza. Una línea vertical de no efecto se sitúa en 1 para las razones (odds ratio, riesgo relativo, hazard ratio) o en 0 para las diferencias (diferencia de medias, diferencia de medias estandarizada, diferencia de riesgos). Abajo, un rombo muestra la estimación combinada: su centro es el efecto conjunto y su anchura, el intervalo de confianza.
Las razones se dibujan en un eje logarítmico, porque una odds ratio de 0.5 está tan lejos del no efecto como una de 2, y la combinación se hace en escala logarítmica.
Los datos que necesitas
Una fila por estudio con el tamaño del efecto y los límites inferior y superior de su intervalo de confianza, tal como aparecen en cada artículo. La columna de pesos es opcional: sin ella, los pesos se calculan a partir de la anchura de los intervalos (inverso de la varianza), de modo que los estudios más precisos cuentan más.
El ejemplo de forest plot tiene ocho estudios con odds ratios y un CSV descargable para que puedas seguir los pasos.
Efectos fijos o efectos aleatorios
Un modelo de efectos fijos supone que todos los estudios estiman un único efecto verdadero y solo difieren por azar. Un modelo de efectos aleatorios supone que el efecto verdadero varía entre estudios, estima esa varianza (τ²) y da un intervalo más ancho y prudente. Cuando los estudios difieren en población, dosis o diseño, los efectos aleatorios suelen ser la opción honesta. Dibujar los dos rombos muestra cuánto importa la elección.
La heterogeneidad se resume con la Q de Cochran (una prueba de si los estudios discrepan más de lo que permite el azar), la I² (la proporción de la variación debida a diferencias reales, 0–100%) y la τ² (la propia varianza entre estudios).
Crea un forest plot en LabTools
- En Charts & Plots haz clic en Upload File y carga tu tabla (CSV o Excel), o pégala con Paste Data.
- En el chip Chart elige Forest Plot.
- En Columns elige Study/Label Column, Effect Size Column, CI Lower Bound Column y CI Upper Bound Column (y, si quieres, una Weight Column). Por ahora el desplegable de estudios solo muestra columnas numéricas, así que numera tus estudios.
- En Statistical Analysis define el Effect Size Type (OR, RR y HR pasan a un eje logarítmico con la línea en 1), el Meta-Analysis Model (Fixed Effects, Random Effects o Both) y el Confidence Level.
- En Layout & Typography define las etiquetas “Favours” y Sort Studies By; en Publication Features elige un Journal Style (APA, Nature, JAMA o Cochrane) y dónde va la tabla de estadística.
- Usa Export (Ctrl+E) para guardar como PNG, SVG o PDF.
El gráfico combina los efectos aleatorios con DerSimonian–Laird. Para REML, un intervalo de predicción y la prueba de Egger, ejecuta labtools stats meta desde la línea de comandos o pídeselo a un asistente de IA conectado a LabTools por MCP.
Efectos de estudios pequeños y sesgo de publicación
Si los estudios pequeños informan efectos mayores que los grandes, la estimación combinada puede estar inflada, a menudo porque los resultados nulos pequeños no se publican. Un gráfico de embudo (funnel plot) lo muestra visualmente; una correlación de rangos entre el tamaño del estudio y el efecto, o la prueba de regresión de Egger, le pone un número. En el ejemplo, la τ de Kendall entre el tamaño del estudio y log(OR) es 0.143 (p = 0.62): no hay indicios de efectos de estudios pequeños, aunque con ocho estudios estas pruebas tienen poca potencia.
Qué informar
- La medida del efecto y la escala (por ejemplo, odds ratio combinada en escala logarítmica).
- El modelo (efectos fijos o aleatorios) y el estimador de τ².
- La estimación combinada con su intervalo de confianza, y Q, I² y τ².
- Cualquier evaluación de efectos de estudios pequeños o de sesgo de publicación, y en cuántos estudios se basó.
Preguntas frecuentes
¿Para qué sirve un forest plot?
Para mostrar en paralelo los resultados de varios estudios sobre la misma pregunta: el tamaño del efecto y el intervalo de confianza de cada estudio en una fila, y la estimación combinada (metaanalítica) como un rombo al final. Es la figura estándar de un metaanálisis y de las revisiones sistemáticas.
¿Cómo se lee un forest plot?
Cada fila es un estudio: el marcador es su estimación y la línea horizontal, su intervalo de confianza. La línea vertical es el “no efecto” (1 para razones, 0 para diferencias); un intervalo que la cruza no es significativo por sí solo. El rombo es la estimación combinada y su anchura es su intervalo de confianza.
¿Cómo obtengo el error estándar a partir de un intervalo de confianza?
Para un IC del 95% de una diferencia: EE = (superior − inferior) / (2 × 1.96). Para una razón (OR, RR, HR) hazlo en escala logarítmica: EE = (ln(superior) − ln(inferior)) / (2 × 1.96). LabTools acepta el intervalo directamente y lo calcula por ti.
¿Qué significa una I² alta?
Que la mayor parte de la dispersión entre los resultados de los estudios refleja diferencias reales entre ellos (poblaciones, dosis, métodos) y no el azar. Alrededor del 75% o más suele considerarse alta. Informa la estimación de efectos aleatorios, busca el origen de la heterogeneidad y considera un intervalo de predicción, que muestra dónde caería probablemente el efecto de un estudio nuevo.
¿DerSimonian–Laird o REML?
Ambos estiman la varianza entre estudios τ² para un modelo de efectos aleatorios. DerSimonian–Laird es el método clásico por defecto (el que usa RevMan); REML suele preferirse, sobre todo con pocos estudios. El forest plot de LabTools usa DerSimonian–Laird; labtools stats meta ofrece ambos, con un intervalo de predicción y la prueba de Egger.