Por eso es tan importante formular bien la pregunta PICO o PECOT al momento de investigar. Esto nos ayuda a enfocar la búsqueda y encontrar la evidencia que realmente se adapta a lo que necesitamos para cada paciente. Sin embargo, hay que saber filtrar, porque aunque hay montones de artículos, no todos son útiles para lo que estamos buscando. Además, también hay que entender conceptos como la sensibilidad y especificidad de las pruebas, porque te dicen cuántos de los que dieron positivo en la prueba realmente están enfermos y cuántos de los que dieron negativo realmente están sanos.

Otra cosa que aprendí es que no todos los estudios tienen el mismo peso. Está bien que leamos y nos mantengamos al día, pero hay una jerarquía de evidencia. Los metaanálisis, por ejemplo, que integran los resultados de varios estudios, ofrecen conclusiones mucho más sólidas. Esto no quiere decir que el resto de estudios no sea importante, pero siempre debemos buscar la evidencia más fuerte, la que tiene más respaldo estadístico. Y al final del día, lo que hacemos es combinar todo eso con nuestra propia experiencia y lo que observamos en el paciente.

Algo que a veces olvidamos es que la MBE no se trata solo de ciencia y números, sino también de entender que estamos trabajando con personas, cada una con sus propias necesidades y valores. La mejor evidencia no siempre será lo primero que apliquemos; tenemos que adaptarnos a lo que es mejor para el paciente, y en eso también entra la experiencia del médico. Hablar con colegas que han pasado por situaciones similares puede ser igual de valioso que un artículo.

Al final, la MBE nos enseña a ser más conscientes, a utilizar la información de manera responsable y a tener un enfoque más integral. No se trata de que la experiencia médica ya no cuente, sino de complementarla con lo mejor que la ciencia tiene para ofrecer y usar eso en favor del paciente.

En cuanto a las pruebas de hipótesis, se revisaron los pasos clave para evaluar una afirmación estadística. Se explicó que la hipótesis nula (H0) representa una posición de "no efecto" o "sin diferencia", mientras que la hipótesis alternativa (H1) busca demostrar lo contrario. Por ejemplo, si estamos probando si una nueva medicina es mejor que la anterior, la hipótesis nula diría que no hay diferencia entre ambas, mientras que la alternativa diría que sí hay una mejora. Por otro lado, valor p juega un papel crucial, ya que nos indica la probabilidad de obtener los resultados observados si la hipótesis nula fuera cierta. Un valor p bajo sugiere evidencia significativa contra la hipótesis nula, lo que puede llevar a rechazarla en favor de la hipótesis alternativa. Esto nos da un enfoque esencial para la toma de decisiones basadas en datos.

Finalmente, se discutió la importancia del error y el poder estadístico. El error tipo I, conocido como falso positivo, ocurre cuando se rechaza la hipótesis nula siendo esta verdadera, mientras que el error tipo II, o falso negativo, sucede cuando no se rechaza una hipótesis nula falsa. De esta misma forma se discutio acerca del poder estadístico, el cual se define como la probabilidad de detectar un efecto real si este existe, y es un factor crítico en el diseño de estudios. Un mayor poder estadístico reduce el riesgo de cometer un error tipo II, lo que se logra, entre otros factores, aumentando el tamaño de la muestra o la magnitud del efecto en estudio.

Además, subrayamos que no se trata solo de leer artículos científicos, sino de elegir los adecuados y aplicarlos correctamente en nuestra práctica diaria. Recursos en línea como el Oxford Centre for Evidence-Based Medicine y el NICE son muy útiles para acceder a guías clínicas basadas en evidencia. Al final del día, usar bien la MBE nos permite a los médicos estar al día y tomar decisiones más informadas, mejorando así la calidad de la atención médica y fomentando la innovación en la investigación.