ARCHIVO GENERAL
Explora la totalidad de las piezas conectadas por industria, mecanismo de distorsión y tema.
Cuando bajar el número mató gente
El ensayo ACCORD mostró que un control glucémico intensivo aumentaba la mortalidad en pacientes diabéticos, desafiando la lógica de tratar marcadores biológicos en lugar de resultados clínicos reales.
El estudio que midió lo que la gente recordaba haber comido
Gran parte de lo que creemos saber sobre la relación entre dieta y enfermedad viene de estudios que preguntaron a las personas qué habían comido. Un análisis publicado en PLOS ONE encontró que los datos de ingesta calórica de una de las bases de datos nutricionales más influyentes del mundo eran implausibles según modelos fisiológicos en la mayoría de los casos. El problema es real. Su alcance merece leerse con precisión.
Cuando el diseño es también la conclusión
El sesgo de confirmación no espera a los resultados; se instala en la selección del outcome, en los criterios de parada y en la población elegida. Cómo el diseño de un estudio puede predeterminar su éxito antes de recolectar el primer dato.
La diferencia entre ver y encontrar
La potencia estadística no es solo una cifra técnica; es el límite de lo que un estudio puede afirmar con honestidad. Por qué los estudios pequeños pueden ser engañosos y los demasiado grandes, irrelevantes para la práctica clínica.
El problema del p menor a cero coma cero cinco
La ciencia moderna decidió que un resultado es 'significativo' si la probabilidad de que ocurra por azar es menor al 5%. El criterio tiene 90 años, fue adoptado por convención y su creador advirtió que no debía usarse como se usa. La crisis de replicación de la última década sugiere que ese umbral nos ha llevado a creer cosas que probablemente no son verdad.
Medir lo que se puede medir
Los ensayos clínicos no siempre miden si los pacientes viven más o mejor. Con frecuencia miden si un número en un análisis de sangre mejora. La diferencia entre esas dos cosas ha costado vidas.
La diferencia entre ver y encontrar
Por qué una muestra puede ser demasiado pequeña para encontrar una diferencia y demasiado grande para que esa diferencia importe.