Busca en línea los efectos del café en la salud y seguramente encontrarás una amplia gama de titulares. Al tomarlo, has reducido tu riesgo de tener un derrame cerebral y mejorado la salud de tu corazón o has aumentado tu riesgo de morir. Cuatro tazas al día es saludable. ¿Cinco tazas o más? Ojalá tu testamento esté al día.
Si bien ciertamente existe una variabilidad en la calidad de una taza de café —de cafetera casera o de jarra de cafetería, recién tostado o sellado al vacío— que esa taza vaya o no a acortar tu vida, no debería de depender del estudio del día. Y aunque hoy en día el debate sobre el café ya se ha convertido en un tropo tonto, es una buena lección para los escritores de ciencia sobre la importancia de evaluar el rigor de los estudios científicos.
Así como el periodismo contiene diferentes tipos de historias, desde perfiles hasta editoriales, los estudios científicos también vienen en varios sabores. Y no todos deben ser considerados iguales. Al escribir sobre ciencia, los periodistas tienen la responsabilidad ante sus lectores de ayudarles a contextualizar los estudios y darles sentido a los hallazgos. Dependiendo de cómo esté diseñado un estudio, algunos permiten conclusiones relativamente claras, mientras que otros necesitan una interpretación más cuidadosa.
También, es igual de importante que aquellos que cubren ciencia tengan en cuenta que, en términos generales, ningún estudio puede “probar” algo en ciencia. Más bien, la ciencia es un proceso en el cual la acumulación de evidencia nos permite acercarnos a una explicación probable, dejando abierta la posibilidad de que en el futuro llegue nueva evidencia que puede cambiar nuestro entendimiento.
En 1984, por ejemplo, los físicos quedaron asombrados por un estudio que parecía demostrar que los gatos, al aterrizar erguidos cada vez que caían, estaban desafiando una ley fundamental de la física. Pero como escribió la periodista de ciencia Katherine J. Wu en una historia para The Atlantic en 2022, investigaciones científicas adicionales, realizadas durante las décadas posteriores, mostraron que estos ágiles felinos no invalidaban ninguna ley de la física. Más bien, los científicos habían subestimado la flexibilidad del esqueleto de los gatos. Como Wu lo explica, las mitades delantera y trasera de sus cuerpos ejercen “una fuerza igual y opuesta de empuje y torsión” que explica su capacidad aparentemente sobrenatural de aterrizar sobre sus pies.
A continuación, te doy una introducción no exhaustiva sobre los tipos más comunes de estudios de investigación que los escritores de ciencia pueden encontrar en su trabajo y cómo abordarlos, teniendo en cuenta a los lectores y el proceso de la ciencia.
Observar o experimentar
En general, hay dos tipos diferentes de estudios científicos: los observacionales y los experimentales, y difieren en formas bastante significativas.
En los estudios observacionales, los investigadores observan algo que ha sucedido en el mundo y usan la estadística para tratar de explicarlo. Es importante destacar que los propios investigadores no tienen una manera de controlar las condiciones que conducen a un resultado u otro. En su lugar, deben diseñar sus estudios para descartar una serie de otras posibles explicaciones e intentar sacar conclusiones significativas utilizando herramientas matemáticas poderosas.
Por ejemplo, en un estudio que comparó los resultados de pacientes israelíes que tomaron el medicamento antiviral Paxlovid para la COVID-19 con los de los pacientes que no lo tomaron, los investigadores analizaron datos disponibles en los registros médicos. Con base en estos datos observables, encontraron que los pacientes mayores tratados con Paxlovid tenían una probabilidad significativamente menor de ser hospitalizados o morir de COVID-19 que los pacientes mayores que no habían recibido el tratamiento. También encontraron que los pacientes más jóvenes no experimentaron estos beneficios.
Los investigadores no controlaron quién estaba en cuál grupo; simplemente trabajaron con la información existente. Sin embargo, para sacar conclusiones más fiables, debieron tener en cuenta —o “ajustar” los datos a— otras posibles explicaciones de las diferencias entre los grupos observados, como su sexo, nivel de ingresos o estado de vacunación contra la COVID-19. Al hacer esto, los investigadores pudieron concluir que cuando los pacientes mayores en Israel recibieron tratamiento con Paxlovid, aumentaban sus probabilidades de tener mejores resultados ante la enfermedad, independientemente de los otros factores involucrados.
Los estudios observacionales pueden ser bastante poderosos si están bien diseñados, particularmente si descartan otras explicaciones para los resultados obtenidos e incluyen un número adecuado de sujetos de investigación. Sin embargo, este tipo de estudios no permiten a los investigadores concluir que una intervención o tratamiento causó un resultado particular. En cambio, sólo permiten a los científicos sacar conclusiones sobre la relación entre un resultado y una intervención.
Los estudios experimentales, por otro lado, permiten a los investigadores probar ideas al elegir qué grupo o grupos reciben un tratamiento o una intervención en particular y al compararlos con grupos, llamados “grupos control”, que no la reciben. Cuando están bien diseñados y son sujetos a análisis estadísticos apropiados, los estudios experimentales les permiten a los investigadores tener más confianza a la hora de concluir que los efectos que han medido son probablemente el resultado de la intervención.
Por ejemplo, en un estudio reciente, los investigadores estaban interesados en probar distintos tipos de pinturas de materiales ligeros que pueden reflejar el calor y potencialmente proporcionar un mejor enfriamiento para aplicaciones que van desde los aviones hasta los automóviles. Los científicos diseñaron un revestimiento y luego realizaron una serie de experimentos y simulaciones por computadora para probar qué tan bien funcionaba en comparación con los materiales existentes. Con base en los datos, concluyeron que tenían un material que funcionaba mejor que los ya existentes, proporcionando una base para hacer estudios experimentales adicionales (y una patente).
Incluso la ciencia del entrelazamiento cuántico, que empezó como una predicción matemática en la era de Albert Einstein, se convirtió en teoría y se ha perfeccionado experimentalmente durante décadas, lo que le valió a tres científicos el Premio Nobel de Física en 2022.
Y en antropología, los investigadores que antes se basaban principalmente en estudios observacionales que examinaban distintas características de los huesos, ahora también usan estudios experimentales para hacer preguntas viejas de maneras nuevas. Por ejemplo, en una historia reciente de Science News, la periodista freelanceCarolyn Wilke describe a una investigadora que usa pistas moleculares de restos fósiles para determinar el tiempo y edad de su muerte. En 2017, por ejemplo, la científica enterró los huesos de lechones que habían muerto por causas naturales y los desenterró un año después. Recolectó polvo de los huesos que había enterrado y estudió la conexión entre ciertas proteínas presentes en ellos y la edad de los lechones en el momento de su muerte (usando, al igual que en los ejemplos anteriores, esos análisis matemáticos que les ayudan a los investigadores a aumentar la confianza en sus resultados).
Lo que los experimentos y estudios observacionales pueden y no pueden decirte
La crème de la crème de los estudios científicos es un tipo de estudio experimental llamado ensayo controlado aleatorizado. Estos estudios permiten a los investigadores probar de la mejor manera los efectos específicos de una intervención, como el potencial de crecimiento de las plantas en diferentes tipos de suelos, y obtener conclusiones sólidas.
Los sujetos experimentales son divididos al azar para que no compartan características particulares que podrían influir en el resultado. En estudios con humanos, los sujetos de investigación tampoco deben saber qué tratamiento están recibiendo, en parte porque el efecto placebo puede influir en los resultados.
Por ejemplo, en las etapas tempranas de la pandemia de COVID-19, mientras los científicos buscaban vacunas eficaces, cada voluntario del estudio recibió una inyección, pero no todas las inyecciones contenían la vacuna. Si bien los investigadores recopilaron datos de las respuestas de anticuerpos de los participantes y la incidencia de resultados negativos, no se informó a los voluntarios si habían recibido la vacuna real o algo diseñado solo para parecerse a ella.
Después, los investigadores analizaron las diferencias entre ambos grupos y sacaron conclusiones sobre la efectividad de las vacunas. (Por razones éticas, una vez que recopilaron suficientes datos, les informaron a los voluntarios a qué grupo pertenecían y se les dio la oportunidad de elegir una vacuna).
En algunos ensayos controlados aleatorizados, tanto los sujetos de investigación como los propios investigadores quedan a oscuras durante el estudio, para que ninguno sepa quién está recibiendo la intervención real y quién no, lo que reduce las probabilidades de que el sesgo de un investigador influya en el resultado. Sólo más adelante se comparan los resultados contra el tratamiento que recibió el sujeto de investigación.
Puede ser bastante difícil hacer ensayos controlados aleatorizados. Negarle el tratamiento a una persona con cáncer potencialmente mortal o someter a alguien a una intervención dañina, como la inyección de una droga adictiva, no es ético. O bien, podría resultar imposible ocultarles a los sujetos de investigación qué intervención están recibiendo. En otros estudios, también puede ser imposible crear grupos control. Además, este tipo de estudios pueden llevar mucho tiempo y ser costosos.
Entonces, los investigadores recurren a otros tipos de estudios para sacar las conclusiones más sólidas posibles. Por ejemplo, podrían recurrir a estudios observacionales, incluidos estudios de cohorte, estudios de casos y controles, y estudios transversales.
En los estudios de cohorte, los investigadores observan una población, o cohorte, de individuos y preguntan si algún tratamiento o intervención que recibe la población conduce a una diferencia medible en algún resultado. Pueden tanto seguir a los sujetos de investigación en el transcurso de una intervención, como ofrecer una imagen instantánea del tiempo durante o después de que se complete una intervención. El estudio del tratamiento con Paxlovid es un ejemplo de un estudio de cohorte retrospectivo, realizado después de que se completó la intervención.
Por otro lado, en los estudios de casos y controles, los investigadores comparan a un grupo que ha experimentado un desenlace particular (el caso) con un grupo similar que no comparte ese desenlace (el control) y preguntan si algo de interés podría ser responsable de esa diferencia. Por ejemplo, los investigadores podrían comparar niños hispanohablantes que ya saben leer a los cinco años, con niños hispanohablantes que no saben leer a los cinco años y evaluar si los niños cuyos padres les leen a menudo cuando son pequeños tienen más probabilidades de estar en un grupo o en el otro. Estos estudios también deben basarse en técnicas estadísticas para dar cuenta de otras variables que pueden explicar el resultado, como diferencias en los ingresos económicos de las familias.
En los estudios transversales —que examinan un fenómeno en un solo punto, o “corte transversal”, en el tiempo—, tanto el resultado como la intervención se examinan al mismo tiempo, como con la prevalencia de la enfermedad de Chagas entre los migrantes latinoamericanos que viven en Japón o si el género y el estatus socioeconómico familiar afectan la actividad física de los jóvenes holandeses. Al igual que con los otros tipos de estudios observacionales, también puede ser difícil sacar conclusiones sobre relaciones causales de este tipo de estudios.
Usando las matemáticas para hacer predicciones: el modelado por computadora
Hay mucho más en el proceso de una investigación científica que solo escoger entre un estudio experimental o uno observacional. Hay muchas maneras en las que los investigadores pueden explorar preguntas de interés.
Por ejemplo, los estudios de modelado permiten a los investigadores usar datos existentes, junto con matemáticas potentes y computación, para simular el mundo real y hacer predicciones, u obtener resultados aproximados que pueden ser imposibles o poco éticos de realizarse experimentalmente. Estas aproximaciones pueden estimar los efectos a lo largo del tiempo, de sistemas ecológicos, de poblaciones, de sistemas solares y más.
Un estudio publicado en Nature en mayo de 2021, por ejemplo, utilizó modelos informáticos para mejorar las estimaciones de cuánto contribuiría el hielo antártico al aumento del nivel del mar bajo una serie de distintos escenarios de calentamiento climático.
Y los Centros para el Control y la Prevención de Enfermedades de Estados Unidos, junto con muchos otros alrededor del mundo, utilizan modelos matemáticos para pronosticar las consecuencias a futuro de la pandemia de COVID-19. Eso incluye un informe de mayo de 2021 que buscó predecir tendencias de casos, hospitalizaciones y muertes por COVID-19 en función de distintos escenarios que involucraban la aceptación y efectividad de la vacuna, el cumplimiento de las recomendaciones de salud pública y el uso de cubrebocas. Eso fue antes del auge global de la variante Delta y el surgimiento de la variante Ómicron, dejando al desnudo una limitante de incluso los estudios de modelado más rigurosos.
El modelado a veces es utilizado para ayudar a guiar la toma de decisiones, como cómo hacer planes para los efectos del cambio climático en los parques nacionales de Estados Unidos, o cómo guiar las investigaciones después de recibir llamadas de protección infantil.
Pero, así como otros tipos de estudios tienen sus limitaciones, también las tienen los estudios de modelado. Los modelos requieren datos del mundo real para asegurarse de que sus suposiciones sean factibles; así que los resultados de cualquier estudio sólo son tan buenos como los datos que los alimentan. Además, las herramientas matemáticas que sustentan las simulaciones están en constante mejoría para aumentar el poder de los resultados que brindan estos estudios. Con el tiempo, los modelos son refinados y comparados con situaciones del mundo real para probar su habilidad de hacer aquello para lo que los científicos los construyeron.
Mirando el panorama global: metaanálisis y estudios de revisión
A veces, los investigadores combinan datos de varios estudios diferentes en un gran estudio llamado metaanálisis. Esto les permite a los investigadores aumentar el tamaño y la diversidad general de la muestra del estudio, hacer análisis estadísticos más confiables (y, por lo tanto, obtener resultados más confiables) y comprender mejor los hallazgos generales de aquellos estudios que tienen resultados contradictorios entre sí.
Esta historia publicada en la revista Discover en 2021, destaca una serie de metaanálisis de estudios que evalúan los resultados de salud asociados con el café y las enfermedades del corazón, el cáncer de hígado, la depresión y más. La buena noticia: el café es (probablemente) (en buena parte) bueno para ti.
A veces, los estudios incluso pueden combinar distintos tipos de investigación como esta “revisión general de metaanálisis” de 2017 en la que los investigadores revisaron 218 metaanálisis para categorizar los resultados de salud asociados con el consumo de café.
Al igual que los metaanálisis, los artículos de revisión también involucran categorizar muchos estudios de un campo en particular y resumir una colección de hallazgos. Pero a diferencia de los metaanálisis, estos no implican poner a prueba una suposición, ni recopilar o combinar datos. Las revisiones pueden ser fundamentales para identificar tendencias, generalizar los hallazgos de muchos estudios a lo largo del tiempo y caracterizar el consenso de un campo particular. Por ejemplo, una revisión exhaustiva de estudios del autismo y las vacunas de principios de la década de los 2000, realizada a raíz de un estudio fraudulento con consecuencias muy amplias, no encontró una relación causal entre las vacunas, o los componentes de las vacunas, con el autismo.
Mientras que los metaanálisis y los estudios de revisión pueden no ofrecer nuevos hallazgos, sí pueden proporcionar nuevas perspectivas y ayudar a corregir las limitaciones idiosincrásicas de un estudio individual. Para los periodistas, pueden ser puntos de partida valiosos para evaluar ideas de reportajes y proporcionar material para entender las preguntas y debates prevalecientes dentro de un campo de la ciencia.
Una mirada singular: estudios de caso
Todo escritor de ciencia ama una buena anécdota. Y eso es exactamente lo que es un estudio de caso: una anécdota que documenta una situación única o inusual, como un problema de salud desconcertante que médicos o investigadores han encontrado. Por más fascinantes que puedan ser los estudios de caso, estos brindan información muy limitada para sacar conclusiones amplias, por lo que los periodistas en la búsqueda de historias deben andar con cuidado. Aún así, los estudios de caso pueden ser especialmente interesantes porque ofrecen ejemplos descriptivos —con mayor frecuencia en las ciencias sociales y de la vida— y pueden documentar un fenómeno médico, neurológico o social, o una situación política o económica, que se encuentra entre los únicos ejemplos de ello en el mundo.
Los escritores de ciencia que cubren estudios de caso deben buscar todos los detalles posibles que se han registrado cuidadosamente. También deben tener cuidado con las afirmaciones que parecen inverosímiles o imposibles de obtener estudiando solo uno o unos cuantos ejemplos de una situación compleja.
Eso no significa que necesitas alejarte de los estudios de caso. En ocasiones, un solo caso, o algunos estudios dispersos, pueden ser la primera señal de un fenómeno mayor y vale la pena seguirlos de cerca, como lo hizo Helen Branswell para STAT en enero de 2020, después de los reportes tempranos de un nuevo virus que estaba causando infecciones, algunas fatales, entre la gente en China.
Su percepción de que el virus emergente, aún no nombrado, merecía una mayor atención periodística no fue accidental. “Después de haber trabajado por años en historias sobre brotes de enfermedades infecciosas”, dijo a The Open Notebook en 2020, “tengo una base sólida en dinámicas de enfermedades que verdaderamente me ayuda a comprender lo que estoy viendo desarrollarse, y a tener una idea de lo que podría venir después”.
Kelly Tyrrell ha escrito sobre ciencia desde que cubrió su primer estudio experimental sobre la ciencia del impacto de las pisadas a la hora de correr en 2010. Antes de eso, era una científica que realizaba sus propios experimentos en el laboratorio. Hoy, es directora de relaciones con los medios y escritora de ciencia en la Universidad de Wisconsin-Madison, y editora de audiencias en The Open Notebook. También es una corredora que siempre está buscando una buena excusa para estar afuera. El resto del tiempo puedes encontrarla en Twitter como @kellyperil.
