Ensayo Clínico Aleatorizado: Qué Te Compra la Aleatorización

Durante casi dos décadas, la enseñanza estándar en menopausia fue que la terapia hormonal protegía el corazón. Estudios de cohorte grandes y bien conducidos lo repetían con cifras contundentes. Luego llegó el ensayo clínico aleatorizado y demostró lo contrario: la hormona no bajaba el riesgo coronario, lo subía. Este post usa ese vuelco histórico para responder una pregunta que decide cómo lees la literatura: ¿qué compra exactamente la aleatorización, y por qué ninguna cohorte, por grande que sea, puede comprarlo? La respuesta separa asociación de causa, y con ella, la evidencia que cambia conductas de la que solo genera hipótesis.

Puntos clave

• La aleatorización no «elimina» la confusión variable por variable: equilibra en promedio los factores conocidos y también los desconocidos y no medidos. Eso es lo que ninguna cohorte puede lograr.
• En estudios observacionales, la terapia hormonal se asociaba a una reducción de enfermedad coronaria cercana al 50 % (RR agrupado ≈ 0,50; IC 95 % 0,43–0,56).
• El ensayo aleatorizado WHI (JAMA 2002, 16 608 mujeres) encontró lo opuesto: enfermedad coronaria HR 1,29 (IC 95 % 1,02–1,63). El estudio se detuvo antes de tiempo.
• La explicación es el sesgo del usuario sano (confusión por indicación): quien tomaba hormonas ya era más sana. La «protección» era la paciente, no la pastilla.
• Aleatorizar no es lo mismo que ocultar la asignación ni que cegar. Un ECA mal ejecutado pierde justo aquello que lo hacía valioso.
• Al leer un ECA, audita la tabla 1: si los grupos quedaron equilibrados, la aleatorización hizo su trabajo. Ese equilibrio incluye lo que nadie midió.

El caso: cuando la terapia hormonal «protegía» el corazón

En los años ochenta y noventa, la evidencia observacional sobre terapia hormonal y corazón parecía cerrada. Cohortes prospectivas de primera línea, con miles de mujeres seguidas por años, mostraban que las usuarias de estrógenos tenían mucha menos enfermedad coronaria que las no usuarias. Una síntesis clásica de esa evidencia (Stampfer y Colditz, 1991) estimó un riesgo relativo agrupado cercano a 0,50 (IC 95 % 0,43–0,56): la terapia hormonal se asociaba a casi la mitad de eventos coronarios. Los autores concluyeron que el efecto protector era tan consistente que difícilmente se explicaba por confusión.

Con ese respaldo, la terapia hormonal se prescribía no solo para síntomas menopáusicos sino como cardioprotección. Tenía sentido biológico: los estrógenos mejoran el perfil lipídico. Todo encajaba. Faltaba la única prueba que no se había hecho: asignar la hormona al azar.

El Women’s Health Initiative (WHI) lo hizo. Aleatorizó a 16 608 mujeres posmenopáusicas a estrógeno más progestina o a placebo, con un seguimiento medio de 5,2 años. El brazo combinado se detuvo antes de lo previsto porque los daños superaron a los beneficios. Los resultados invirtieron el dogma: la enfermedad coronaria no bajó, subió, con un hazard ratio de 1,29 (IC 95 % 1,02–1,63). No fue un hallazgo aislado: el ictus aumentó (HR 1,41; IC 95 % 1,07–1,85), el tromboembolismo pulmonar más que se duplicó (HR 2,13; IC 95 % 1,39–3,25) y el cáncer de mama invasor creció (HR 1,26; IC 95 % 1,00–1,59). Del otro lado hubo beneficios reales pero menores: menos fracturas de cadera (HR 0,66) y menos cáncer colorrectal (HR 0,63). El índice global fue desfavorable (HR 1,15; IC 95 % 1,03–1,28).

En términos absolutos, y esto es lo que un clínico traslada a la consulta, por cada 10 000 mujeres-año de tratamiento hubo 7 eventos coronarios más, 8 ictus más, 8 tromboembolismos pulmonares más y 8 cánceres de mama más, contra 6 cánceres colorrectales menos y 5 fracturas de cadera menos. La brecha entre lo que decían las cohortes y lo que dijo el ensayo no era de matiz: era de dirección. Un diseño decía «protege»; el otro, «daña».

Pregunta: ¿la terapia hormonal previene la enfermedad coronaria?	Diseño observacional (cohortes)	Ensayo aleatorizado (WHI)
Medida de efecto en enfermedad coronaria	RR ≈ 0,50 (IC 0,43–0,56)	HR 1,29 (IC 1,02–1,63)
Interpretación	«Reduce el riesgo casi a la mitad»	«Lo aumenta»
¿Quién decidía quién recibía hormona?	La paciente y su médico	El azar
Confusión por indicación / usuario sano	Presente y no corregible del todo	Neutralizada por diseño
Conclusión que resistió	No	Sí

El concepto: qué compra exactamente la aleatorización

Aleatorizar es asignar el tratamiento por un mecanismo de azar, de modo que ni la paciente ni el médico decidan quién recibe qué. Lo que eso compra, en una frase, es esto: en promedio, los grupos quedan equilibrados en todos los factores pronósticos, incluidos los que nadie midió ni conoce. Ese «incluidos los que nadie midió» es toda la diferencia.

Piénsalo así. En una cohorte, las mujeres que tomaban hormonas eran distintas de las que no: solían tener mejor nivel socioeconómico, más contacto con el sistema de salud, más actividad física, menos tabaquismo, IMC más favorable. Muchas de esas variables se pueden medir y ajustar. Pero otras no: la adherencia general a conductas saludables, la motivación, el acceso real a cuidados, mil hábitos que acompañan a «ser el tipo de persona que toma su tratamiento preventivo». A ese fenómeno se le llama sesgo del usuario sano, una forma de confusión por indicación. La hormona viajaba junto a la salud previa de la paciente, y el análisis observacional no podía separar una cosa de la otra. La protección aparente era, en buena parte, la paciente que ya estaba más sana.

La aleatorización rompe ese vínculo de raíz. Cuando el azar decide, la asignación al tratamiento deja de estar conectada con la salud previa, el nivel socioeconómico o la motivación. Los grupos se vuelven comparables no solo en las variables de la tabla 1, sino en todo lo demás, medido o no. Por eso el ensayo aleatorizado ocupa la cima de la pirámide para preguntas de tratamiento: no porque tenga más pacientes o mejores estadísticas, sino porque es el único diseño que neutraliza la confusión que no sabemos que existe. Una cohorte puede ajustar por lo que midió; jamás por lo que ignoró. (Revisamos por qué el diseño manda sobre el tamaño en la entrada sobre la pirámide de la evidencia.)

Dos precisiones importantes. Primera: la aleatorización equilibra en promedio, no con certeza. En un ensayo pequeño, el azar puede dejar por casualidad un desbalance; por eso el tamaño de muestra y la revisión de la tabla 1 siguen importando. Segunda: la aleatorización solo protege la comparación al inicio. Lo que ocurre después —pérdidas de seguimiento, abandonos, cruces entre brazos— puede reintroducir sesgo. Aleatorizar bien es la condición de partida; conservarla exige un análisis por intención de tratar, tema que abordaremos más adelante en la serie.

El error típico: creer que «ajustamos por todo»

El error más frecuente —en tesis, en artículos y en conversaciones de pasillo— es pensar que un modelo estadístico suficientemente sofisticado equivale a un ensayo. «Ajustamos por edad, IMC, tabaquismo, diabetes, hipertensión y nivel educativo; el efecto se mantuvo.» Suena robusto. No lo es. Ajustar por lo que mediste no dice nada sobre lo que no mediste. Y en la vida real, las decisiones de tratamiento están cargadas de variables no medidas: gravedad clínica percibida, expectativa de vida, preferencias, acceso, adherencia global. El caso de la terapia hormonal es el recordatorio permanente de que un ejército de covariables ajustadas puede seguir apuntando en la dirección equivocada.

El segundo error es tratar cualquier estudio que reparta al azar como si automáticamente comprara todo. No lo hace. La palabra «aleatorizado» en el título no garantiza que la aleatorización se ejecutara bien. Si la secuencia de asignación era predecible, o si quien reclutaba podía adivinar el siguiente grupo, el azar deja de proteger: entra el sesgo de selección por la puerta trasera. Aleatorización y ocultamiento de la asignación no son sinónimos, y el cegamiento es otra cosa más. Confundirlos hace que uno confíe en ensayos que no lo merecen.

El tercer error es del lado opuesto: descartar toda la evidencia observacional porque «no es aleatorizada». Las cohortes y los estudios de casos y controles son indispensables para daños raros, exposiciones no aleatorizables y generación de hipótesis. El punto no es despreciarlas, sino saber qué pregunta pueden responder y cuál no. Para eficacia de un tratamiento, cuando existe un buen ECA, este manda.

Cómo hacerlo bien: la aleatorización como procedimiento, no como palabra

Aleatorizar bien —al diseñar o al juzgar un estudio— es una cadena de pasos, no un adjetivo. En orden:

1. Generar una secuencia de asignación verdaderamente aleatoria. Números aleatorios por computadora, con o sin bloques y estratificación. Nunca por número de historia, día de la semana, orden de llegada ni alternancia: eso es pseudoaleatorio y predecible.
2. Ocultar la asignación (allocation concealment). Quien incluye al paciente no debe poder saber ni deducir a qué grupo caerá el próximo. Se logra con asignación centralizada, sobres opacos sellados y numerados, o sistemas automatizados. Esto protege el momento de la inclusión, que es donde nace el sesgo de selección.
3. Cegar cuando sea posible. Paciente, tratante y evaluador de desenlaces idealmente no deben saber el grupo. El ocultamiento previo a la aleatorización y el cegamiento posterior son cosas distintas: el primero protege quién entra a cada grupo; el segundo, cómo se maneja y se mide después.
4. Verificar el equilibrio basal. La tabla 1 debe mostrar grupos comparables. No se trata de buscar valores p entre grupos (en un ECA no tienen sentido), sino de comprobar que no hay desbalances clínicamente relevantes que el azar dejó por casualidad.
5. Preservar la aleatorización en el análisis. Analizar por intención de tratar: cada paciente cuenta en el grupo al que fue asignado, haya cumplido o no. Cambiar de bando a la gente según lo que realmente tomó destruye el equilibrio que el azar compró.

Si esos cinco pasos están, el estudio compró lo que promete: una comparación limpia de causa y efecto. Si falta alguno, el valor del ensayo baja en proporción a lo que se rompió.

Cómo detectarlo al leer: auditar la aleatorización en un paper

Cuando tengas un ensayo delante, estas son las señales concretas de que la aleatorización hizo (o no) su trabajo:

• Busca cómo se generó la secuencia, no solo la palabra «aleatorizado». «Se usó una secuencia generada por computadora» es buena señal; el silencio total, o «se asignó según…», es una alerta.
• Verifica el ocultamiento de la asignación. Frases como «asignación central por teléfono/web» o «sobres opacos sellados y numerados» indican que quien reclutaba no podía adivinar el grupo. Su ausencia es uno de los predictores más consistentes de resultados exagerados.
• Lee la tabla 1 con ojo clínico. ¿Los grupos son parecidos en edad, gravedad, comorbilidades? Un desbalance grande en un ensayo pequeño sugiere que el azar no alcanzó a equilibrar, o que algo falló en el procedimiento.
• Confirma el análisis por intención de tratar. Si el análisis principal es «por protocolo» o excluye a quienes abandonaron, la comparación ya no es la que el azar creó.
• Revisa las pérdidas de seguimiento. Muchas pérdidas, o pérdidas desiguales entre grupos, pueden reintroducir el sesgo que la aleatorización había eliminado al inicio.

Un contraejemplo útil vive en el mismo tema. Antes del WHI, el ensayo HERS (JAMA 1998) aleatorizó a 2763 mujeres con enfermedad coronaria establecida a estrógeno más progestina o placebo, con 4,1 años de seguimiento. El desenlace coronario primario fue neutro: RH 0,99 (IC 95 % 0,80–1,22). Pero dentro de ese «empate» había una tendencia temporal significativa: más eventos en el primer año y menos en los años 4 y 5. Un ensayo bien aleatorizado no solo respondió la pregunta de eficacia; además reveló un patrón temporal de daño precoz que ninguna cohorte había insinuado. Leer un ECA es, en parte, leer estas señales.

En una frase

La aleatorización compra lo único que ninguna cohorte puede darte: grupos comparables en los factores que nadie midió, y con eso, el derecho a hablar de causa y no solo de asociación.

Preguntas frecuentes

¿Qué significa exactamente que un estudio sea aleatorizado?

Significa que el tratamiento se asignó por un mecanismo de azar, no por decisión del médico ni de la paciente. Su valor es que, en promedio, equilibra entre los grupos todos los factores pronósticos —conocidos y desconocidos—, permitiendo atribuir las diferencias observadas al tratamiento y no a características previas de los participantes.

¿Por qué un ensayo aleatorizado vale más que una cohorte enorme?

Porque el tamaño no corrige la confusión. Una cohorte puede ajustar solo por lo que midió; la aleatorización equilibra también lo no medido. El caso de la terapia hormonal lo muestra: cohortes de miles de mujeres indicaban protección coronaria, y un ensayo aleatorizado demostró daño. Más pacientes con sesgo no es más verdad.

¿Aleatorización y cegamiento son lo mismo?

No. La aleatorización decide quién recibe cada tratamiento por azar y equilibra los grupos al inicio. El ocultamiento de la asignación impide predecir el próximo grupo al momento de reclutar. El cegamiento evita que paciente, tratante o evaluador conozcan el grupo durante el estudio. Son tres protecciones distintas y un buen ECA necesita las tres.

¿Entonces los estudios observacionales no sirven?

Sí sirven, para preguntas que un ECA no puede o no debe responder: daños raros, exposiciones no aleatorizables, efectos a muy largo plazo, generación de hipótesis. El error no es usarlos, sino tratar una asociación observacional como prueba de causa cuando existe —o es factible— un ensayo aleatorizado que responda mejor la pregunta de tratamiento.

¿La aleatorización garantiza que los grupos sean idénticos?

No con certeza, sino en promedio. En ensayos pequeños el azar puede dejar desbalances por casualidad; por eso conviene revisar la tabla 1 y por eso el tamaño de muestra importa. Además, la aleatorización protege la comparación al inicio: pérdidas de seguimiento y abandonos pueden erosionarla si el análisis no la preserva por intención de tratar.

Referencias

• Writing Group for the Women’s Health Initiative Investigators. Risks and Benefits of Estrogen Plus Progestin in Healthy Postmenopausal Women: Principal Results From the Women’s Health Initiative Randomized Controlled Trial. JAMA. 2002;288(3):321–333.
• Hulley S, et al. Randomized Trial of Estrogen Plus Progestin for Secondary Prevention of Coronary Heart Disease in Postmenopausal Women (HERS). JAMA. 1998.
• Stampfer MJ, Colditz GA. Estrogen replacement therapy and coronary heart disease: a quantitative assessment of the epidemiologic evidence. Prev Med. 1991;20(1):47–63. (RR agrupado ≈ 0,50; IC 95 % 0,43–0,56, citado en Lawlor DA, Davey Smith G, Ebrahim S. Commentary: Hormone replacement therapy and coronary heart disease: four lessons. Int J Epidemiol. 2004;33(3):461.)

Próxima semana en la serie: «Cuasiexperimentos y series de casos: para qué sirven de verdad». Y si aún no la leíste, la entrega anterior de esta serie explica el estudio de cohorte: prospectiva, retrospectiva y el problema de la pérdida al seguimiento.

---

Suscríbete y lleva la evidencia contigo

Al suscribirte apoyas este proyecto y desbloqueas tres recursos pensados para el clínico y el tesista:

• 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 la lectura directa de las guías y los estudios originales. Las decisiones diagnósticas y terapéuticas deben individualizarse para cada paciente.

Dr. Jorge Enrique Rojas Rodríguez — Medicina Interna · MedicinaCardiometabolica.com
Revisado y actualizado en septiembre de 2026.