Si trabajas con datos de un estudio transversal —prevalencia de hipertensión en una comunidad, de burnout en residentes, de obesidad en una consulta— tarde o temprano vas a correr una regresión logística y te va a escupir un odds ratio. Y ahí empieza el problema. El odds ratio en estudios transversales casi nunca es la medida que querías: cuando el desenlace es frecuente, infla el efecto y convierte una asociación modesta en un titular. Este es el error metodológico que más tesis latinoamericanas arrastra a la mesa de sustentación, y tiene una solución conocida desde hace veinte años: la razón de prevalencia estimada con regresión de Poisson robusta.
Puntos clave
- En un estudio transversal la medida de efecto correcta es la razón de prevalencia (RP), no el odds ratio.
- El odds ratio sobreestima la RP cuando el desenlace es frecuente (prevalencia > 10 %): a más común el evento, mayor la exageración.
- Cuando el desenlace es raro, OR y RP casi coinciden; por eso el problema pasa desapercibido en cardiología clínica pero estalla en estudios de prevalencia.
- La solución estándar: regresión de Poisson con varianza robusta (Zou, 2004), que estima directamente la RP con intervalos de confianza correctos.
- Alternativas igualmente válidas: regresión log-binomial y Cox con varianza robusta (Barros & Hirakata, 2003).
- Señal de alarma al leer un paper: un transversal con desenlace común que reporta OR y lo interpreta como si fuera un riesgo.
El caso: cuando el odds ratio infló un hallazgo
Imagina la escena, porque se repite cada semana en algún jurado: una tesista presenta un transversal sobre síndrome metabólico en trabajadores de la salud. La prevalencia del desenlace es alta, digamos 40 %. Corre una regresión logística, obtiene un OR ajustado y concluye que el sedentarismo «aumenta 3 veces» la probabilidad del síndrome. Un jurado la interpela: «¿Ese 3 es un riesgo o un odds? Porque con prevalencia del 40 %, no son lo mismo.» Silencio incómodo. El número estaba bien calculado; la medida estaba mal elegida.
Este no es un ejemplo inventado para asustar: es exactamente la situación que motivó uno de los papers metodológicos más citados de la epidemiología moderna. Aluísio Barros y Vânia Hirakata, en BMC Medical Research Methodology (2003), tomaron datos reales de estudios transversales y compararon lo que pasa cuando estimas el efecto con distintos modelos. Su conclusión fue tajante: «el odds ratio puede sobreestimar de forma importante la razón de prevalencia, la medida de elección en estos estudios». No es un matiz de estadístico: es la diferencia entre reportar un efecto real y reportar uno inflado que no resiste una segunda lectura.
El concepto: qué mide el OR y qué mide la razón de prevalencia
La razón de prevalencia es lo que un clínico entiende sin traducción: cuántas veces más frecuente es el desenlace en los expuestos comparado con los no expuestos. Si la prevalencia de daño renal es 30 % en diabéticos mal controlados y 15 % en los controlados, la RP es 2,0: el doble de frecuente. Directo, interpretable, es la respuesta a la pregunta que un transversal sí puede responder (y sobre lo que un transversal no puede decirte, revisa el post anterior de esta serie sobre el estudio transversal y qué no puede decir jamás).
El odds ratio mide otra cosa: la razón entre las odds (la probabilidad del evento dividida por la de no evento) de expuestos y no expuestos. Las odds no son intuitivas para nadie, pero la regresión logística las produce por defecto porque son matemáticamente cómodas. El problema aparece en la traducción: OR y RP solo se parecen cuando el desenlace es raro. La relación exacta es:
OR = RP × (1 − P0) / (1 − P1), donde P1 y P0 son las prevalencias en expuestos y no expuestos. Cuando ambas prevalencias son pequeñas, ese factor de corrección se acerca a 1 y OR ≈ RP. Cuando el desenlace es frecuente, el factor se dispara y el OR se aleja del riesgo real. La tabla lo hace visible.
| Escenario (ilustrativo) | Prevalencia expuestos (P1) | Prevalencia no expuestos (P0) | Razón de prevalencia (RP) | Odds ratio (OR) |
|---|---|---|---|---|
| Desenlace raro | 2 % | 1 % | 2,0 | ≈ 2,0 |
| Desenlace intermedio | 30 % | 15 % | 2,0 | ≈ 2,4 |
| Desenlace frecuente | 60 % | 30 % | 2,0 | ≈ 3,5 |
Fíjate en la fila de abajo: la asociación real es «el doble de frecuente» (RP = 2,0), pero el odds ratio la presenta como 3,5. Si esa cifra se lee como si fuera un riesgo relativo —y casi siempre se lee así—, el efecto queda inflado en un 75 %. Nadie mintió; simplemente se usó la medida equivocada para un desenlace frecuente.
El error típico: reportar el OR como si fuera un riesgo
El error no es calcular un OR: es interpretarlo como si fuera una razón de prevalencia o un riesgo relativo en un diseño donde el desenlace es común. Se manifiesta en frases como «los expuestos tuvieron 3 veces más probabilidad de presentar el desenlace», cuando ese 3 es un odds ratio. La probabilidad (la prevalencia) no se multiplicó por 3; se multiplicaron las odds, que es otra cosa.
¿Por qué es tan común? Porque la regresión logística es la primera que enseñan, la que trae por defecto cualquier software y la que permite ajustar por confusores sin dolor. El camino de menor resistencia lleva directo al OR. Y como en los ensayos clínicos y en cardiología de eventos raros (infarto, muerte) el OR sí se parece al riesgo, mucha gente asume que siempre es intercambiable. En un transversal de prevalencia alta, no lo es. El resultado es una literatura de tesis y artículos donde los efectos están sistemáticamente exagerados, no por fraude, sino por inercia metodológica.
Cómo hacerlo bien: razón de prevalencia con Poisson robusto
La respuesta corta: si tu desenlace es binario y frecuente en un transversal, estima la razón de prevalencia con regresión de Poisson con varianza robusta. Es el método que Guangyong Zou describió en American Journal of Epidemiology (2004) y que hoy es el estándar de facto en revistas serias. Estima directamente la RP (o el riesgo relativo en cohortes), y la «corrección robusta» —el estimador tipo sándwich— arregla los intervalos de confianza, que de otro modo la Poisson calcularía demasiado anchos. Zou mostró en simulaciones que funciona de forma fiable incluso con muestras tan pequeñas como 100 sujetos.
El procedimiento, paso a paso:
- Confirma que tu desenlace es binario (sí/no) y que el diseño es transversal o de cohorte, no de casos y controles.
- Ajusta un modelo de Poisson con enlace logarítmico, con el desenlace como variable dependiente y tus covariables (exposición + confusores).
- Pide la varianza robusta (sandwich / Huber-White). En R es el paquete
sandwichconcoeftest; en Stata,poisson ..., vce(robust)oglmconirls; en SPSS, GENLIN con estimador robusto. - Exponencia los coeficientes: obtienes la RP con su IC 95 % correcto.
- Reporta la medida por su nombre real: «razón de prevalencia», no «OR» ni «riesgo».
¿Alternativas? Sí, y son buenas. Barros y Hirakata compararon todas y concluyeron que «Cox o Poisson con varianza robusta y la regresión log-binomial dan estimaciones correctas y son una mejor alternativa para el análisis de estudios transversales». La log-binomial es la más elegante teóricamente porque modela la prevalencia directamente, pero tiene un defecto práctico: a veces no converge (falla en encontrar solución cuando hay covariables continuas o prevalencias extremas). Cuando eso ocurre, la Poisson robusta es el plan B que casi siempre funciona. Por eso es la favorita de las revistas: robusta en ambos sentidos de la palabra.
| Método | Qué estima | Ventaja | Cuándo falla |
|---|---|---|---|
| Regresión logística | Odds ratio | Ajusta confusores, siempre converge | OR sobreestima la RP si el desenlace es frecuente |
| Poisson con varianza robusta | Razón de prevalencia | Converge casi siempre; IC correctos con el ajuste robusto | Sin la corrección robusta, IC demasiado anchos |
| Log-binomial | Razón de prevalencia | Modela la prevalencia directamente | No converge con prevalencias extremas o variables continuas |
| Cox con tiempo constante y varianza robusta | Razón de prevalencia | Correcto; útil si ya dominas Cox | Menos intuitivo de configurar en un transversal |
Cómo detectarlo al leer un paper
Para auditar un artículo transversal en 30 segundos, busca tres cosas. Primero, la prevalencia del desenlace: si es mayor al 10 %, el OR y la RP ya empiezan a divergir; por encima del 20 %, la divergencia es grande. Segundo, qué medida reportan: si dan OR ajustado por regresión logística en un desenlace común y en la discusión hablan de «riesgo» o «probabilidad» de forma intercambiable, el efecto está probablemente inflado. Tercero, si nombran el método correcto: la aparición de las palabras «razón de prevalencia», «Poisson con varianza robusta» o «log-binomial» en Métodos es una excelente señal de rigor.
- Bandera roja: transversal + desenlace > 20 % + OR de regresión logística interpretado como riesgo.
- Bandera amarilla: reportan OR pero el desenlace es raro (< 10 %) — aquí OR ≈ RP y el problema es menor, aunque nombrar la medida correcta sigue siendo mejor.
- Bandera verde: reportan RP con IC 95 % y declaran el modelo (Poisson robusto o log-binomial) en Métodos.
Este hábito de lectura conecta con algo que ya vimos en esta serie: no basta con que un estudio esté alto en la pirámide de la evidencia para creerle; hay que auditar cómo midió el efecto. Un transversal impecable puede reportar una cifra engañosa solo por elegir mal la medida.
En una frase
En un estudio transversal con desenlace frecuente, el odds ratio exagera el efecto: reporta la razón de prevalencia con regresión de Poisson robusta y llámala por su nombre.
Preguntas frecuentes
¿Cuándo puedo usar el odds ratio sin problema en un transversal?
Cuando el desenlace es raro (prevalencia menor al 10 %), el OR se aproxima a la razón de prevalencia y la diferencia es despreciable. Aun así, si tu medida de interés es la prevalencia, lo más limpio es reportar directamente la razón de prevalencia y nombrarla correctamente, para no inducir a error al lector.
¿Por qué usar Poisson robusta y no log-binomial?
La log-binomial es correcta y estima la prevalencia directamente, pero con frecuencia no converge cuando hay variables continuas o prevalencias extremas. La regresión de Poisson con varianza robusta converge casi siempre y produce intervalos de confianza correctos, por lo que se ha vuelto el método de referencia práctico.
¿Qué gana un jurado o revisor al ver «razón de prevalencia» en vez de OR?
Ve que el autor entiende su diseño. Reportar la razón de prevalencia en un transversal demuestra que se eligió la medida coherente con la pregunta y con la naturaleza de los datos, y evita la sobreestimación que delata un análisis hecho en piloto automático con regresión logística.
¿La regresión de Poisson no es para conteos? ¿Puedo usarla con datos binarios?
Sí. Aunque la Poisson se diseñó para conteos, aplicada a un desenlace binario con enlace logarítmico y varianza robusta estima válidamente la razón de prevalencia o el riesgo relativo. Ese ajuste robusto es justo lo que corrige la sobredispersión y devuelve intervalos de confianza correctos (Zou, 2004).
La próxima semana profundizamos en el método completo: Razón de prevalencia con Poisson robusto: el método correcto, paso a paso.
Referencias
- Barros AJD, Hirakata VN. Alternatives for logistic regression in cross-sectional studies: an empirical comparison of models that directly estimate the prevalence ratio. BMC Medical Research Methodology. 2003;3:21. DOI: 10.1186/1471-2288-3-21. PMID: 14567763.
- Zou G. A modified Poisson regression approach to prospective studies with binary data. American Journal of Epidemiology. 2004;159(7):702-706. DOI: 10.1093/aje/kwh090. PMID: 15033648.
Suscríbete a MedicinaCardiometabolica.com
Únete y accede a tres recursos pensados para el clínico y el tesista latinoamericano:
- Colección de libros de medicina (~18 GB) para descargar y consultar.
- Resúmenes de papers acompañados del artículo original.
- Directorio de ensayos clínicos organizados por fármaco, para encontrar la evidencia en segundos.
Suscríbete en: buymeacoffee.com/drjorgerojas
Canal de WhatsApp: únete aquí
Aviso médico: este contenido tiene fines educativos y de actualización profesional. No sustituye el juicio clínico individual ni las guías de práctica vigentes. Verifica siempre dosis, indicaciones y métodos estadísticos contra las fuentes primarias antes de aplicarlos.
Revisado por el Dr. Jorge Enrique Rojas Rodríguez — Medicina Interna. Actualizado en agosto de 2026.
MedicinaCardiometabolica.com
Descubre más desde Medicina Cardiometabólica
Suscríbete y recibe las últimas entradas en tu correo electrónico.
