“Estadísticamente significativo” no cuenta toda la historia

Antes de convertir un valor p en titular, pregunta qué tan grande fue el efecto, qué tan incierta es la estimación y si importa el resultado.

Algunas palabras, en sencillo

Estimación del efecto: La diferencia o relación medida que informa un estudio, como la diferencia entre los grupos de tratamiento y control.
Valor p: Bajo un modelo estadístico específico, una medida de qué tan incompatibles son los datos observados con la hipótesis nula evaluada. No es la probabilidad de que un tratamiento funcione.
Intervalo de confianza: Un rango calculado a partir de los datos para mostrar la incertidumbre alrededor de una estimación según el método de análisis usado.
Relevancia clínica: Si el tamaño y el tipo de cambio importan en el contexto real de salud, considerando el resultado, el tiempo, los beneficios, los daños y la población.

Mapa de tres preguntas para leer el resultado de un estudio. Primero pregunta qué tan grande es el efecto y revisa la diferencia entre grupos. Luego pregunta qué tan incierta es la estimación y lee el intervalo de confianza. Después pregunta si importa el resultado y revisa el contexto clínico. Una nota explica que el valor p no es el tamaño del efecto, la probabilidad de que un tratamiento funcione ni una decisión sobre la importancia para pacientes. — Mapa original de interpretación de Signal Axiom basado en ICH E9 y CONSORT 2025 [1,2]. No contiene datos de un estudio ni califica un péptido o producto específico.

La idea principal, en palabras sencillas

“Estadísticamente significativo” no significa grande, importante, cierto, seguro ni comprobado para cada persona. Significa que una prueba estadística cruzó un umbral preespecificado bajo sus supuestos. Para entender el resultado, también hay que leer la estimación del efecto, el intervalo de confianza, el resultado medido, el tiempo, la población participante, los daños y el diseño. ICH E9 indica que los ensayos confirmatorios deben estimar el tamaño del efecto con la precisión adecuada y relacionarlo con su importancia clínica, no detenerse en una prueba de hipótesis. [1]

Lo que un valor p puede y no puede decir

Un valor p se calcula bajo un modelo estadístico y una hipótesis nula evaluada, con frecuencia un modelo sin diferencia entre grupos. Un valor p pequeño indica que los datos observados serían relativamente incompatibles con ese modelo si se cumplen sus supuestos. No informa el tamaño de la diferencia. No es la probabilidad de que el resultado haya ocurrido “por accidente”, la probabilidad de que el tratamiento funcione ni el porcentaje de participantes que se beneficiaron. Son preguntas distintas.

El tamaño del efecto responde “¿cuánto?”

La estimación del efecto describe lo que midió el estudio: quizá una diferencia promedio, un cambio en la proporción de participantes con un resultado o una razón entre tasas de eventos. Lee el resultado de cada grupo y la estimación entre grupos en la unidad original. Un estudio grande puede detectar estadísticamente una diferencia muy pequeña. Esa diferencia aún podría ser demasiado pequeña para importar, o podría importar mucho, según el resultado y el contexto.

El intervalo de confianza muestra precisión

Un intervalo de confianza coloca un rango alrededor de la estimación usando los datos y el método de análisis del estudio. ICH E9 recomienda informar estimaciones del efecto con intervalos de confianza siempre que sea posible. [1] Un intervalo amplio deja un conjunto más amplio de tamaños de efecto compatibles con los datos; uno estrecho es más preciso. El intervalo no corrige sesgo, datos faltantes, informes selectivos ni un resultado mal elegido, por lo que la precisión y la calidad del estudio deben leerse juntas.

El significado depende de lo que se midió

Después pregunta si el resultado importa a quienes participaron. Un cambio en un valor de laboratorio, medida corporal, escala, síntoma, hospitalización o supervivencia no tiene el mismo significado. La cantidad relevante de cambio no es universal entre resultados o poblaciones. Revisa el tiempo, la gravedad inicial, los beneficios conocidos, los daños, los abandonos y si el producto, la formulación y la vía exactos coinciden con la afirmación. La significación estadística no convierte un marcador sustituto en un beneficio de salud comprobado.

Más pruebas crean más oportunidades de un falso triunfo

Si investigadores prueban muchos resultados, momentos, subgrupos o análisis, puede aparecer al menos un valor p pequeño aun cuando no exista un efecto real. La guía de la FDA sobre múltiples resultados explica por qué los ensayos preespecifican preguntas principales y controlan la multiplicidad. [3] Confirma si el resultado destacado fue el resultado principal registrado, si el análisis se planificó antes de ver los datos y si se usaron ajustes estadísticos cuando fueron necesarios. Un hallazgo exploratorio interesante puede orientar otro estudio; no es automáticamente una prueba confirmatoria.

Una forma de leer un resultado en cuatro líneas

Anota: (1) qué resultado se midió y cuándo; (2) el resultado en cada grupo; (3) la estimación del efecto entre grupos con su intervalo de confianza; y (4) los principales daños, datos faltantes y abandonos. Después añade el valor p solo como parte del análisis estadístico planificado. CONSORT 2025 pide que los informes de ensayos proporcionen suficiente información sobre diseño, análisis, interpretación y flujo de participantes para evaluar la evidencia, no solo una etiqueta de significación. [2]

Resumen práctico y lo que sigue desconocido

Toma “estadísticamente significativo” como una señal para seguir leyendo. Pregunta qué tan grande, qué tan incierto y qué tan importante. Incluso un resultado bien informado puede no establecer seguridad a largo plazo, respuesta individual, efectos en poblaciones no estudiadas ni equivalencia con un vial de investigación fabricado de otra manera. Este artículo enseña a leer resultados; no valida un péptido, crea un protocolo ni predice qué ocurrirá en una persona.

Publicación y revisión de fuentes

Este artículo y su gráfica se publicaron por primera vez el 8 de octubre de 2026. Fuentes revisadas el 8 de octubre de 2026. Se consultaron directamente la guía estadística de ICH, CONSORT 2025 y la guía de la FDA sobre múltiples resultados. PeptideDosages.com se revisó solo como referencia editorial de usabilidad para observar cómo se presentan juntas las afirmaciones de estudios y la información práctica sobre péptidos; no se copiaron su redacción, tablas, gráficas ni pautas.

Comprueba lo aprendido: Un titular dice que el resultado de un péptido fue estadísticamente significativo. ¿Qué tres preguntas debes hacer después?

Pregunta qué tan grande fue el efecto, qué tan incierta es la estimación y si importa el resultado medido en el contexto clínico. Después revisa el tiempo, los daños, la población, el producto, la vía y si el análisis destacado fue preespecificado.