Hay preguntas clínicas para las que nunca vas a tener un ensayo aleatorizado. No puedes sortear a media Escocia para que unos respiren humo de tabaco y otros no, ni asignar al azar quién desarrolla una enfermedad que nadie había visto antes. Ahí entran los cuasiexperimentos y las series de casos: dos diseños que muchos desprecian como «evidencia de segunda», pero que responden preguntas que ningún ensayo controlado puede tocar, siempre que sepas con precisión qué te dicen y, sobre todo, qué no. Esta es la semana 11 de la serie Medicina Basada en Evidencia y cierra el bloque de diseños de estudio: aquí verás para qué sirve de verdad un diseño cuasiexperimental, dónde engaña un estudio antes-después y por qué una serie de casos genera hipótesis pero no las prueba.
Puntos clave (TL;DR)
- Un cuasiexperimento evalúa una intervención sin aleatorización. Los diseños más comunes son el antes-después (pre-post) y las series temporales interrumpidas.
- Su talón de Aquiles es la tendencia secular: si un desenlace ya venía bajando por su cuenta, el «efecto» que atribuyes a tu intervención puede ser solo la continuación de esa tendencia.
- La serie de casos describe pacientes que comparten una exposición o un desenlace, sin grupo de comparación. Sirve para generar hipótesis, no para probarlas.
- Ni el cuasiexperimento ni la serie de casos permiten, por sí solos, estimar un riesgo relativo ni afirmar causalidad.
- Su gran fortaleza: a veces son el único diseño posible y casi siempre son los primeros en detectar una señal —un brote, un efecto adverso, una epidemia nueva.
- Al leerlos, busca tres cosas: ¿hay grupo de comparación?, ¿qué venía haciendo el desenlace antes?, ¿qué otra cosa cambió al mismo tiempo?
El caso: dos estudios sin grupo aleatorizado que cambiaron la medicina
Empecemos por lo que ninguno de estos diseños tiene y por lo que, aun así, lograron. Dos ejemplos, uno de cada tipo.
Escocia, 2006: un cuasiexperimento a escala nacional
A fines de marzo de 2006 Escocia prohibió fumar en lugares públicos cerrados. Nadie aleatorizó nada: la ley cayó sobre todo el país a la vez. Pell y colaboradores aprovecharon ese «experimento natural» y compararon los ingresos por síndrome coronario agudo en nueve hospitales (que concentraban el 64 % de los ingresos nacionales) en los diez meses previos y los diez meses posteriores a la ley. Ingresaron 3 235 pacientes antes y 2 684 después: una reducción del 17 % (IC 95 % 16 a 18). El dato que hace pensar: en la década previa los ingresos ya bajaban, pero a un ritmo medio de solo 3 % anual (máximo 9 %). Y la caída fue mayor en no fumadores —21 % (IC 95 % 18 a 24)— que en fumadores activos —14 % (IC 95 % 12 a 16)—, justo lo que esperarías si el humo de segunda mano fuera el culpable.
Un ensayo aleatorizado de esto es imposible y poco ético. El cuasiexperimento fue el mejor diseño disponible, y por eso mismo el resultado fue —y sigue siendo— debatido: 17 % frente a una tendencia previa de 3 % al año es un salto grande, y los críticos preguntaron cuánto de eso era la ley y cuánto otras cosas que cambiaron en paralelo.
Los Ángeles, 1981: cinco casos que abrieron una epidemia
El 5 de junio de 1981 el MMWR publicó una serie de casos de cinco hombres jóvenes, de 29 a 36 años, previamente sanos, todos con neumonía por Pneumocystis carinii confirmada por biopsia, y todos con infección por citomegalovirus y candidiasis mucosa. Dos ya habían muerto al momento del reporte. No había grupo de comparación, ni denominador, ni riesgo relativo: solo cinco pacientes que no deberían haber tenido esa neumonía. La nota editorial apenas se atrevió a sugerir «una posible disfunción inmune celular relacionada con una exposición común». Era la primera descripción de lo que hoy llamamos sida. Una serie de casos no probó nada; hizo algo más importante: encendió la alarma.
El concepto: qué es cada uno, en lenguaje de clínico
Un cuasiexperimento es un estudio de intervención sin asignación aleatoria. Hay una maniobra —una ley, un protocolo nuevo, un fármaco que se introduce— y se mide un desenlace antes y después, o a lo largo del tiempo. Lo que falta es el sorteo que reparte por igual los factores conocidos y desconocidos entre grupos. Sus formas habituales son el antes-después (una medición previa y una posterior), la serie temporal interrumpida (muchos puntos antes y después, para ver si la línea se «quiebra» en el momento de la intervención) y el grupo control no equivalente (comparar con una población parecida que no recibió la maniobra).
Esa ausencia de aleatorización es exactamente lo contrario de lo que compra un ensayo clínico aleatorizado: el equilibrio esperado de confusores entre grupos. Sin ese sorteo, cualquier diferencia entre el antes y el después puede deberse a la intervención… o a todo lo demás que también cambió con el tiempo.
Una serie de casos es una descripción de varios pacientes que comparten una exposición o un desenlace, sin grupo de comparación. No es lo mismo que un reporte de caso (un solo paciente, n = 1); tampoco es un estudio de casos y controles, porque precisamente le falta el control. No tiene denominador —no sabes cuántos expuestos había en total— así que no puede darte una tasa, un riesgo ni un OR. Su valor es descriptivo: caracteriza una entidad nueva, un patrón de presentación, un efecto adverso inesperado.
| Rasgo | Serie de casos | Cuasiexperimento | Ensayo aleatorizado |
|---|---|---|---|
| ¿Interviene el investigador? | No (observa) | Sí (hay una maniobra) | Sí |
| ¿Grupo de comparación? | No | A veces (el «antes» o un control no equivalente) | Sí, aleatorizado |
| ¿Aleatorización? | No | No | Sí |
| ¿Permite medir efecto (RR/OR)? | No | Estimación cruda, muy vulnerable a confusión | Sí |
| Para qué sirve de verdad | Generar hipótesis, detectar señales | Evaluar intervenciones cuando el ECA es imposible | Probar eficacia |
El error típico: confundir una tendencia con un efecto
El error clásico del cuasiexperimento es atribuir a la intervención lo que en realidad produjo una tendencia secular, la regresión a la media o una co-intervención simultánea. Es la trampa del antes-después con un solo punto en cada lado: «cambiamos el protocolo de sepsis y la mortalidad bajó del 30 % al 22 %, luego el protocolo funciona». ¿Y si la mortalidad por sepsis ya venía cayendo en todo el hospital por mejores antibióticos, más camas de UCI o simplemente porque el trimestre previo fue atípicamente malo? Sin esa foto de la tendencia previa, no puedes distinguir tu efecto de la ola que ya estaba subiendo.
Vuelve al caso escocés: la fortaleza del estudio fue justamente que sí midió la tendencia previa (3 % anual) y mostró que la caída del 17 % la superaba con creces. Aun así, el debate no se cerró, porque un antes-después nunca puede descartar del todo lo que cambió en paralelo. Esa es la lección: cuanto más grande parezca el efecto de un cuasiexperimento, más obligado estás a preguntar qué más ocurrió en esa ventana de tiempo.
El error típico de la serie de casos es tratarla como prueba de eficacia. «Le dimos el fármaco X a 30 pacientes y 27 mejoraron, así que X sirve.» Sin grupo de comparación no sabes cuántos de esos 27 habrían mejorado solos —por la historia natural de la enfermedad, por el efecto placebo o porque elegiste (consciente o no) a los que iban a evolucionar bien. La historia de la medicina está llena de tratamientos que lucían brillantes en series de casos y se desplomaron cuando por fin llegó el ensayo aleatorizado. Una serie de casos que concluye «este tratamiento es efectivo» está diciendo más de lo que su diseño permite.
Cómo hacerlo bien
Si vas a hacer un cuasiexperimento, blíndalo contra la tendencia secular. En orden de rendimiento:
- Usa una serie temporal interrumpida, no un simple antes-después. Varios puntos antes y varios después te dejan ver la pendiente previa y si hay un verdadero «quiebre» en el momento de la intervención.
- Modela la tendencia previa y compara el efecto observado contra lo que habría pasado si esa tendencia hubiera continuado (el contrafactual).
- Agrega un grupo control, aunque no sea aleatorizado: una región, servicio o país comparable que no recibió la intervención en la misma ventana de tiempo.
- Enumera y descarta las co-intervenciones: ¿cambió algo más —una guía, un fármaco nuevo, una campaña— justo entonces?
- Preespecifica el desenlace y el momento del corte antes de mirar los datos.
Si vas a publicar una serie de casos, sé honesto con lo que es:
- Decláralo generador de hipótesis. Cierra proponiendo el estudio que sí podría probar la idea (una cohorte o un ensayo), no afirmando eficacia.
- Describe casos consecutivos y completos, no una selección cómoda. La forma más fácil de arruinar una serie es elegir a los que confirman tu idea.
- Define la población de origen y, cuando puedas, aporta un denominador aproximado.
- No calcules medidas de efecto (RR, OR) que tu diseño no soporta.
- Reporta con una guía estructurada para que el lector pueda juzgar la calidad.
Cómo detectarlo al leer
¿Cómo saber en dos minutos si un cuasiexperimento o una serie de casos se leyeron de más? Busca el grupo de comparación y la tendencia previa; si el texto salta directo del «antes» al «después» con una sola medición de cada lado y concluye causalidad, desconfía. Esta tabla resume las señales de alarma.
| Diseño | Señal de alarma al leer | Qué deberías exigir |
|---|---|---|
| Cuasiexperimento | Un solo punto «antes» y uno «después» | Serie temporal con varios puntos y pendiente previa |
| Cuasiexperimento | No menciona qué venía haciendo el desenlace | Tendencia secular modelada y contrafactual explícito |
| Cuasiexperimento | Ignora co-intervenciones del mismo periodo | Lista de qué más cambió y por qué no lo explica |
| Cuasiexperimento | No hay ningún grupo control | Al menos un control no equivalente comparable |
| Serie de casos | Lenguaje causal o de «eficacia» | Que se declare generadora de hipótesis |
| Serie de casos | Casos elegidos, sin denominador | Casos consecutivos y población de origen definida |
| Serie de casos | Calcula RR/OR o tasas | Nada de medidas de efecto: no las soporta |
En una frase
El cuasiexperimento y la serie de casos son la primera luz en la oscuridad: sirven para ver una señal y generar una hipótesis cuando el ensayo aleatorizado es imposible o aún no existe, no para probar que un tratamiento funciona; para eso siempre hará falta un grupo de comparación.
Preguntas frecuentes
¿Un cuasiexperimento es lo mismo que un ensayo clínico?
No. Ambos evalúan una intervención, pero el cuasiexperimento carece de aleatorización. Esa diferencia es enorme: sin sorteo, los grupos (o el antes y el después) pueden diferir en factores conocidos y desconocidos, y esa confusión puede fabricar o borrar un efecto.
¿Cuál es la diferencia entre una serie de casos y un reporte de caso?
Es cuestión de número. Un reporte de caso describe un solo paciente (n = 1); una serie de casos agrupa varios que comparten una exposición o un desenlace. Ninguno tiene grupo de comparación, así que ambos generan hipótesis, no las prueban.
¿Se puede calcular un riesgo relativo con una serie de casos?
No. Una serie de casos no tiene denominador ni grupo no expuesto, de modo que no puede estimar tasas, riesgo relativo ni odds ratio. Si un artículo llamado «serie de casos» te ofrece un RR, algo está mal en la etiqueta o en el análisis.
¿Por qué la serie de casos está tan abajo en la pirámide de la evidencia?
Porque no controla confusión ni sesgo de selección y no permite inferencia causal. Aun así, ocupa un lugar imprescindible: es la primera en detectar lo nuevo. Repasa dónde encaja cada diseño en la pirámide de la evidencia.
¿Qué es una serie temporal interrumpida?
Es el cuasiexperimento más robusto: mide el desenlace en múltiples momentos antes y después de la intervención para ver si la tendencia se «quiebra» justo cuando esta ocurre. Al modelar la pendiente previa, separa mejor el efecto real de la tendencia que ya existía.
Referencias
- Pell JP, et al. Smoke-free Legislation and Hospitalizations for Acute Coronary Syndrome. N Engl J Med. 2008;359(5):482-491. DOI: 10.1056/NEJMsa0706740. PMID: 18669427.
- Centers for Disease Control (CDC). Pneumocystis Pneumonia — Los Angeles. MMWR Morb Mortal Wkly Rep. 1981;30(21):250-252. PMID: 6265753.
La próxima semana abrimos el bloque de medidas de efecto con «Riesgo relativo vs. riesgo absoluto: el truco favorito de la industria».
Suscríbete y accede a las herramientas del clínico basado en evidencia
- 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 es material educativo dirigido a profesionales de la salud y no sustituye el juicio clínico individual ni la consulta de las guías y fuentes primarias vigentes. Las decisiones diagnósticas y terapéuticas son responsabilidad del médico tratante.
Revisado por el Dr. Jorge Enrique Rojas Rodríguez — Medicina Interna · MedicinaCardiometabolica.com. Actualizado en septiembre de 2026.
Descubre más desde Medicina Cardiometabólica
Suscríbete y recibe las últimas entradas en tu correo electrónico.
