En el capítulo 11 de “Mala Ciencia” de Ben Goldacre, titulado “¿Es malvada la medicina convencional?” , se habla de las triquiñuelas para conseguir que un artículo científico diga lo que al investigador le conviene que diga, los sesgos por incompetencia o mala fe para conseguir un determinado resultado. ¿Sorprendidos? Yo no.
En Ciencia hay que ser lo más rigurosos y precisos posible, escépticos hasta la médula y exigentes. No nos queda otro remedio para avanzar en el conocimiento de lo que nos rodea. Para eso se inventó el método científico y por ello nos apoyamos en materias como la Estadística y la Medicina Basada en la Evidencia.
La Estadística es un coñazo de asignatura. Ya está, ya lo he soltado. Pero es una asignatura muy necesaria para poder leer un artículo científico con espíritu crítico, interpretar los datos que nos aporta, ver la rigurosidad y veracidad de esos datos y darlos por válidos o no. Así, basándonos en ella podemos entender que, por ejemplo, para estudiar el efecto de un nuevo fármaco en el organismo tenemos que plantearnos dos posibilidades: la hipótesis nula, que no exista diferencia entre tomar ese fármaco y no tomar nada o tomar otro fármaco y la hipótesis alternativa, que verdaderamente haya diferencias. Los ensayos clínicos que se hagan irán dirigidos a tirar por tierra la hipótesis nula y demostrar que sí hay diferencias entre tomar ese fármaco y no tomar nada o tomar otro.
Otro detalle a tener en cuenta al apoyarnos en la Estadística es la prueba de contraste de hipótesis, en la que comprobaremos si los resultados obtenidos que apuntan a que hay diferencias son reales. Para eso tenemos el grado de significación estadística o valor de p, de modo que cuanto más pequeño sea el valor de p menos posibilidades hay de que los resultados hayan sido por puro azar y más en contra se va de la hipótesis nula. Si dicha probabilidad es menor de o.o5 (valor que se ha tomado por consenso), la hipótesis nula se rechaza y se acepta la alternativa, que efectivamente hay diferencias, y se dice que el resultado es estadísticamente significativo. Este párrafo puede resultar un ladrillo indigesto, repasadlo las veces que sea necesario y preguntad, preguntad y preguntad 
¿Cómo podemos manipular o falsear todo lo contado hasta ahora para que vaya a nuestro favor en un ensayo clínico?
Se me ocurren algunos ejemplos sencillos tras leer la bibliografía que cito al final del artículo y seguramente vosotros tengáis otros:
1. Preferir comparar el fármaco con el placebo antes que con otro fármaco ya existente y bastante bueno, por cierto, consiguiendo reforzar la hipótesis alternativa, que sí hay diferencias. Claro, las gráficas salen más bonitas y llamativas al haber más diferencias entre el fármaco y tomar algo inefectivo que si comparamos el nuevo fármaco con el existente.
2. En todo ensayo hay personas que abandonan el tratamiento o se salen de éste por efectos secundarios, principalmente. Obviar cuidadosamente estos abandonos y centrarse en quienes llegan al final del experimento es una bonita manera de maquillar resultados con hipótesis alternativa “positiva”.
3. Si al realizar el ensayo vemos que no salen los datos que queremos, las diferencias que buscamos…pues mira, ve probando a comparar diferentes aspectos, a lo mejor no hay diferencias en el control de la tensión arterial, pero sí le baja el colesterol “una mijita” y oye, hay que fijarse en eso y darle bombo y platillo, nuestro fármaco consigue bajar el colesterol un poquito más que el que más se prescribe actualmente.
En el siguiente capítulo os hablo de la relevancia clínica de los artículos.
Bibliografía empleada:
Cobo, Erik, et al. Bioestadística para no estadísticos. Elsevier Masson 2007.
Goldacre, Ben. Mala Ciencia. Paidós 2011.
Significación estadística, relevancia y escitalopram. El rincón de Sísifo.
Significancia estadística y relevancia clínica. Fisterra.
Los jefazos de Amazings, además de ser bastante majetes y hablar de temas interesantes como “