Fundamentos Esenciales de la Investigación Científica

Conceptos Clave en Metodología de Investigación

La investigación científica se apoya en una serie de conceptos fundamentales que garantizan la validez y fiabilidad de los estudios. A continuación, se detallan los términos esenciales:

Población

Grupo total de individuos o elementos que son el foco de un estudio y a los que se espera generalizar los resultados.

Ejemplo: Todos los niños de 6 años en una ciudad para un estudio sobre caries dental.

Muestra

Subconjunto representativo de la población seleccionado para participar en el estudio.

Ejemplo: 200 niños de 6 años elegidos de escuelas primarias para el estudio de caries.

Tamaño de Muestra

Número de individuos o elementos incluidos en la muestra. Debe ser adecuado para garantizar la validez estadística y la representatividad.

Ejemplo: Cálculo basado en la prevalencia esperada de caries y el margen de error aceptable.

Muestreo

Proceso de selección de la muestra a partir de la población. Es crucial para la inferencia estadística.

Tipos de Muestreo

• Probabilístico: Cada elemento de la población tiene una probabilidad conocida y no nula de ser seleccionado. Incluye:
  • Aleatorio simple: Selección al azar de cada unidad.
  • Sistemático: Selección de elementos a intervalos regulares de una lista ordenada.
  • Estratificado: División de la población en subgrupos (estratos) y muestreo aleatorio dentro de cada uno.
  • Por conglomerados: Selección de grupos naturales (conglomerados) y estudio de todos sus elementos.
• No Probabilístico: La selección no se basa en la probabilidad, lo que limita la generalización de los resultados. Incluye:
  • Por conveniencia: Selección de participantes disponibles y accesibles.
  • Por juicio (o intencional): Selección basada en el criterio experto del investigador.
  • Bola de nieve: Los participantes iniciales reclutan a otros.

Ejemplos Prácticos de Muestreo

• Aleatorio simple: Sortear nombres de una lista completa de estudiantes.
• Sistemático: Seleccionar cada 5to paciente en un registro de admisiones hospitalarias.
• Estratificado: Dividir una población por grupos de edad (ej. 20-30, 31-40 años) y muestrear proporcionalmente de cada estrato.
• Por conglomerados: Estudiar todas las escuelas de un distrito seleccionado al azar, en lugar de estudiantes individuales.
• Por conveniencia: Usar pacientes disponibles en una clínica dental durante un horario específico.

Criterios de Inclusión y Exclusión

Definiciones que delimitan la población de estudio, asegurando la homogeneidad y pertinencia de los participantes.

• Inclusión: Características que los participantes deben poseer para ser elegibles (ej. edad, sexo, condición médica específica).
• Exclusión: Factores que descalifican a un participante, evitando sesgos o riesgos (ej. embarazo, uso de medicamentos que interfieran, enfermedades concomitantes).

Ejemplo: Incluir adultos con gingivitis crónica; excluir fumadores activos debido a su impacto en la salud gingival.

Prueba Piloto

Ensayo preliminar de un estudio con una muestra pequeña, realizado antes del estudio principal, para evaluar la viabilidad y ajustar la metodología.

Finalidad de la Prueba Piloto

• Detectar posibles errores o ambigüedades en los instrumentos de recolección de datos.
• Ajustar procedimientos y protocolos de intervención.
• Estimar el tiempo y los recursos necesarios para el estudio principal.
• Evaluar la comprensión de las instrucciones por parte de los participantes.

Protocolo de Investigación

Documento detallado que describe de manera exhaustiva los objetivos, el diseño, la metodología, los procedimientos y los aspectos éticos de un estudio. Sirve como hoja de ruta para el investigador.

Comité de Ética en Investigación

Órgano independiente encargado de evaluar y aprobar los protocolos de investigación que involucran seres humanos o animales, garantizando su ética, seguridad y respeto a los derechos de los participantes.

Finalidad del Comité de Ética

• Proteger los derechos, la seguridad y el bienestar de los participantes.
• Asegurar que la investigación cumpla con principios éticos internacionales, como los establecidos en el Código de Núremberg y la Declaración de Helsinki.
• Revisar la relación riesgo-beneficio del estudio.

Partes de un Artículo Científico

La estructura estándar de un artículo científico facilita su comprensión y replicabilidad.

Orden Habitual de un Artículo Científico

1. Título
2. Resumen (Abstract) y Palabras Clave
3. Introducción (Antecedentes, Justificación, Pregunta de Investigación, Objetivos)
4. Metodología (Diseño, Población, Muestra, Instrumentos, Procedimientos, Análisis Estadístico)
5. Resultados
6. Discusión
7. Conclusiones
8. Referencias Bibliográficas
9. Anexos (si aplica)

Consentimiento Informado

Proceso fundamental en el cual los participantes potenciales de un estudio reciben información clara, completa y comprensible sobre los objetivos, procedimientos, riesgos, beneficios y alternativas del estudio, y otorgan su aceptación voluntaria para participar, sin coacción alguna.

Estadística Aplicada y Pruebas de Hipótesis

Principios Fundamentales del Análisis Estadístico

La estadística es una herramienta indispensable en la investigación para la interpretación de datos y la toma de decisiones informadas.

1. Definición de Análisis Estadístico

Conjunto de técnicas y procedimientos utilizados para organizar, describir, analizar e interpretar datos numéricos o categóricos.

Objetivo: Obtener información significativa, identificar patrones, probar hipótesis y fundamentar la toma de decisiones en investigación o práctica clínica.

2. Tipos de Estadística

• Descriptiva: Se encarga de resumir, organizar y presentar datos de manera informativa.

  Ejemplo: Cálculo de la media, mediana, moda, desviación estándar, frecuencias y creación de gráficos (histogramas, diagramas de barras).

• Inferencial: Permite realizar predicciones, generalizaciones o pruebas de hipótesis sobre una población a partir de los datos obtenidos de una muestra.

  Ejemplo: Pruebas t de Student, ANOVA, regresión lineal, pruebas de Chi-cuadrado.

3. Hipótesis

Enunciados provisionales que se formulan para ser probados o refutados mediante la investigación.

• Hipótesis Nula (H₀): Afirma que no existe efecto, diferencia o relación entre las variables estudiadas. Es la hipótesis que se intenta refutar.

  Ejemplo: «No hay diferencia significativa en el nivel de caries entre el grupo que usa pasta A y el grupo que usa pasta B.»

• Hipótesis Alternativa (H₁ o Hₐ): Propone que sí existe un efecto, diferencia o relación entre las variables. Es lo que el investigador espera encontrar.

  Ejemplo: «Existe una diferencia significativa en el nivel de caries entre el grupo que usa pasta A y el grupo que usa pasta B.»

4. Valor p (p-value)

Definición: Es la probabilidad de obtener resultados iguales o más extremos que los observados, asumiendo que la hipótesis nula (H₀) es verdadera.

Interpretación del Valor p

• p ≤ 0.05 (o nivel de significancia α): Los resultados se consideran estadísticamente significativos. Se rechaza la hipótesis nula (H₀), sugiriendo que la diferencia o efecto observado es poco probable que se deba al azar.
• p > 0.05: Los resultados no se consideran estadísticamente significativos. No hay suficiente evidencia para rechazar la hipótesis nula (H₀), lo que implica que la diferencia o efecto observado podría deberse al azar.

5. Selección de Pruebas Estadísticas

La elección de la prueba estadística adecuada es fundamental para un análisis correcto y depende de varios factores.

Criterios para la Selección

• Objetivo del estudio: ¿Se busca comparar grupos, correlacionar variables, predecir un resultado?
• Tipo de variables: ¿Son cualitativas (nominales, ordinales) o cuantitativas (discretas, continuas)?
• Distribución de los datos: ¿Los datos siguen una distribución normal o no?
• Número de grupos a comparar: ¿Dos grupos, más de dos grupos?
• Independencia de las muestras: ¿Son muestras independientes o relacionadas?

Pruebas Paramétricas vs. No Paramétricas

Las pruebas paramétricas asumen una distribución normal de los datos y homogeneidad de varianzas, mientras que las no paramétricas no requieren estas suposiciones.

Análisis	Paramétrica	No Paramétrica
Comparar 2 grupos independientes	t-Student para muestras independientes	Mann-Whitney U
Comparar >2 grupos independientes	ANOVA (Análisis de Varianza)	Kruskal-Wallis
Correlación entre variables cuantitativas	Coeficiente de Correlación de Pearson	Coeficiente de Correlación de Spearman
Comparar 2 grupos relacionados/pareados	t-Student para muestras pareadas	Wilcoxon

6. Normalidad de Datos

La normalidad se refiere a si la distribución de los datos se asemeja a una curva de campana (distribución de Gauss).

Pruebas de Normalidad

• Shapiro-Wilk: Recomendada para muestras pequeñas (n < 50).
• Kolmogorov-Smirnov: Adecuada para muestras grandes (n > 50).
• Métodos gráficos: Histogramas, Q-Q plots.

Distribución Normal: Datos simétricos alrededor de la media, con la mayoría de los valores concentrados cerca del centro y disminuyendo gradualmente hacia los extremos.

7. Ejemplos de Pruebas por Objetivo

• Comparar medias de 2 grupos independientes:
  • Paramétrica: t-Student para muestras independientes.
  • No paramétrica: Mann-Whitney U.
• Comparar medias de >2 grupos independientes:
  • Paramétrica: ANOVA (Análisis de Varianza).
  • No paramétrica: Kruskal-Wallis.
• Relación entre variables categóricas: Chi-cuadrado (χ²).
• Correlación entre variables cuantitativas:
  • Paramétrica: Coeficiente de Correlación de Pearson.
  • No paramétrica: Coeficiente de Correlación de Spearman.

8. Proceso de Análisis Estadístico

Un flujo de trabajo típico para el análisis de datos incluye los siguientes pasos:

1. Recolección y organización de datos (limpieza, codificación).
2. Análisis descriptivo (cálculo de medidas de tendencia central y dispersión, creación de gráficos).
3. Verificación de supuestos (ej. normalidad, homogeneidad de varianzas).
4. Selección de la prueba estadística adecuada según el objetivo, tipo de variables y distribución.
5. Ejecución de la prueba estadística.
6. Interpretación de resultados (valor p, intervalos de confianza, tamaño del efecto).
7. Presentación de los hallazgos.

Variables en Investigación: Clasificación y Medición

Comprendiendo las Variables para el Diseño de Estudios

Las variables son el corazón de cualquier investigación, ya que representan las características que se miden, manipulan o controlan.

1. Definición de Variable

Concepto: Característica, atributo, aspecto o dimensión de un fenómeno, individuo o evento que puede asumir diferentes valores o categorías (cuantitativos o cualitativos).

Ejemplo: Edad, género, peso corporal, nivel de dolor, tipo de tratamiento, nivel socioeconómico.

2. Clasificación de Variables

A. Según su Función en el Estudio

• Variable Independiente (VI): Es la variable que es manipulada, controlada o seleccionada por el investigador para observar su efecto sobre otra variable. Es la «causa» o el factor de exposición.

  Ejemplo: Tipo de pasta dental (con flúor vs. sin flúor) en un estudio sobre la prevención de caries.

• Variable Dependiente (VD): Es la variable que se mide y se observa, y cuyos valores se espera que cambien como resultado de la manipulación de la variable independiente. Es el «efecto» o el resultado.

  Ejemplo: Cantidad de placa dental o incidencia de caries después del uso de la pasta dental.

• Variables de Confusión: Factores externos que pueden influir tanto en la variable independiente como en la dependiente, distorsionando la relación entre ellas. Deben ser identificadas y controladas.

  Ejemplo: Edad, hábitos de higiene oral, dieta en el estudio de caries, ya que pueden afectar la cantidad de placa independientemente del tipo de pasta dental.

B. Según su Naturaleza (Tipo de Datos)

• Cualitativas (Categóricas): Representan atributos, cualidades o categorías que no pueden medirse numéricamente.
  • Nominal: Categorías sin un orden intrínseco o jerarquía.

    Ejemplo: Género (masculino/femenino), color de ojos (azul, verde, marrón), tipo de sangre (A, B, AB, O).

  • Ordinal: Categorías con un orden o jerarquía, pero las distancias entre las categorías no son necesariamente iguales.

    Ejemplo: Nivel educativo (primaria, secundaria, universidad), escala de dolor (leve, moderado, grave), grado de satisfacción (muy insatisfecho, insatisfecho, neutral, satisfecho, muy satisfecho).

• Cuantitativas (Numéricas): Representan cantidades que pueden medirse numéricamente.
  • Discretas: Valores enteros y contables, sin valores intermedios entre dos consecutivos.

    Ejemplo: Número de hijos, número de dientes cariados, número de visitas al dentista.

  • Continuas: Valores que pueden tomar cualquier valor dentro de un rango determinado, incluyendo decimales.

    Ejemplo: Peso (kg), altura (cm), temperatura (°C), presión arterial (mmHg).

3. Escalas de Medición

Determinan el tipo de operaciones matemáticas y pruebas estadísticas que se pueden aplicar a los datos.

Escala	Propiedades	Ejemplo
Nominal	Clasifica los datos en categorías sin ningún orden o jerarquía. Solo permite contar frecuencias.	Género (masculino/femenino), Grupo sanguíneo (A, B, AB, O).
Ordinal	Clasifica los datos en categorías con un orden o jerarquía, pero las diferencias entre los valores no son cuantificables o uniformes.	Grado de maloclusión (leve, moderado, grave), Nivel socioeconómico (bajo, medio, alto).
Intervalo	Posee las propiedades de la escala ordinal, y las distancias entre los valores son iguales y significativas. El cero es arbitrario y no indica ausencia de la característica.	Temperatura en Celsius o Fahrenheit, Puntuación en un test de inteligencia (IQ).
Razón	Posee todas las propiedades de la escala de intervalo, y además, tiene un cero absoluto que indica la ausencia total de la característica. Permite realizar todas las operaciones matemáticas.	Número de dientes perdidos, Peso (kg), Altura (cm), Edad (años), Número de caries.

4. Definición Operacional de Variables

Concepto: Especifica de manera clara y precisa cómo se medirá o manipulará una variable en el contexto de un estudio particular. Transforma un concepto abstracto en algo observable y cuantificable.

Componentes de una Definición Operacional

• Variable: El concepto o atributo a medir (ej. «nivel de ansiedad»).
• Instrumento: La herramienta o método específico que se utilizará para la medición (ej. Escala Visual Analógica – EVA, cuestionario validado, medición de glucosa en sangre).
• Categorías/Valores: Los posibles resultados o rangos de valores que la variable puede tomar (ej. 0-10 para dolor, mg/dL para glucosa).
• Procedimiento: Cómo se aplicará el instrumento o se obtendrá la medición.

5. Ejemplos Prácticos de Variables y su Definición Operacional

Variable	Tipo	Escala	Definición Operacional
Edad	Cuantitativa discreta	Razón	Años cumplidos del participante, registrados a partir de su fecha de nacimiento en la historia clínica.
Tipo de Resina Dental	Cualitativa nominal	Nominal	Clasificación de la resina utilizada en restauraciones dentales según su marca comercial (ej. 3M Unitek, Ivoclar Vivadent, Ultradent).
Dolor Postoperatorio	Cualitativa ordinal	Ordinal	Nivel de dolor percibido por el paciente 24 horas después de la cirugía, medido mediante una Escala Visual Analógica (EVA) de 0 (sin dolor) a 10 (dolor insoportable).
Nivel de Glucosa en Sangre	Cuantitativa continua	Razón	Concentración de glucosa en sangre en mg/dL, medida con un glucómetro capilar en ayunas.

6. Importancia de la Clasificación de Variables en el Análisis Estadístico

La correcta clasificación y definición operacional de las variables es crucial porque determina:

• Las pruebas estadísticas a utilizar: Diferentes tipos de variables requieren pruebas específicas (ej. Chi-cuadrado para cualitativas, t-Student o ANOVA para cuantitativas).
• La interpretación de los resultados: Permite seleccionar las medidas descriptivas adecuadas (ej. medias y desviaciones estándar para continuas, frecuencias y porcentajes para nominales).
• La validez y fiabilidad del estudio: Asegura que los datos se recolecten y analicen de manera apropiada, minimizando errores y sesgos.