Forest Plot: Cómo Leerlo en 7 Pasos y los 5 Errores Más Frecuentes

Un forest plot es el gráfico que resume un metaanálisis. Cada fila es un estudio: el cuadrado marca su tamaño del efecto, la línea horizontal es su intervalo de confianza del 95% y el tamaño del cuadrado indica cuánto pesa ese estudio en el resultado. El rombo del pie es el efecto combinado de todos ellos. La regla básica para leerlo es esta: si el intervalo de un estudio (o el rombo global) cruza la línea vertical de nulidad, ese resultado no es significativo al 5%; si no la cruza, sí lo es.

Hasta ahí llega casi todo el mundo. Abres el metaanálisis, ves la columna de líneas horizontales con cuadrados de distinto tamaño, compruebas si el rombo cruza el cero y pasas página. El forest plot es el gráfico más importante de la evidencia cuantitativa (lo usan por igual medicina, psicología, biología, educación, economía o ciencias ambientales) y sacarle solo un sí o un no es desaprovecharlo.

Esta guía va más allá. Te enseña a evaluar un forest plot como un revisor experimentado: identificar qué estudios dominan el resultado, detectar cuándo la heterogeneidad invalida la conclusión global, distinguir un modelo de efectos fijos de uno de efectos aleatorios y leer correctamente un forest plot con análisis de subgrupos. Incluye dos ejemplos visuales anotados, una sección de errores frecuentes que devuelven los revisores y código real en R para crear el tuyo.

Qué es un forest plot y para qué sirve

Un forest plot (o gráfico de bosque) es la representación visual de un metaanálisis: una síntesis cuantitativa que combina los resultados de varios estudios sobre la misma pregunta de investigación. Cada fila es un estudio; el gráfico muestra simultáneamente el tamaño del efecto estimado de cada uno, la incertidumbre alrededor de esa estimación (el intervalo de confianza del 95%) y el efecto combinado de todos los estudios, ponderado por la precisión de cada uno.

Lo encuentras en artículos de revistas de psicología, medicina, enfermería, fisioterapia, educación, ecología y economía; en revisiones Cochrane y Campbell; en guías clínicas de la OMS, del NICE y de la APA. Es obligatorio en cualquier metaanálisis que aspire a publicarse en una revista indexada. Y sin entenderlo, no puedes evaluar críticamente la evidencia que produce. El forest plot puede mostrar diferencias de medias estandarizadas (d de Cohen, g de Hedges), odds ratios, riesgos relativos, correlaciones o cualquier otra medida de efecto; la estructura visual es la misma sea cual sea la métrica.

Anatomía de un forest plot: elemento por elemento

Antes de interpretar el resultado, necesitas reconocer cada pieza del gráfico. Aquí van las cinco que aparecen siempre:

• Cuadrado: la estimación puntual del tamaño del efecto de un estudio concreto. Su tamaño refleja el peso que ese estudio tiene en el cálculo del efecto combinado: los estudios con muestras más grandes y menor variabilidad reciben cuadrados más grandes porque contribuyen más a la estimación global.
• Línea horizontal: el intervalo de confianza del 95% de ese estudio. Si la línea es corta, el estudio tiene poca incertidumbre (típicamente porque tiene una muestra grande). Si es larga, la incertidumbre es considerable.
• Línea vertical (línea de nulidad): el valor que representa la ausencia de efecto. Para diferencias de medias, esta línea está en el cero; para odds ratios y riesgos relativos, está en el uno. Si el intervalo de confianza de un estudio cruza esta línea, ese estudio no encuentra un efecto estadísticamente significativo al 5%.
• Rombo (diamante): el efecto combinado del metaanálisis. El centro del rombo es la estimación puntual del efecto global y los extremos izquierdo y derecho son los límites de su intervalo de confianza. Si el rombo no cruza la línea de nulidad, el metaanálisis concluye que existe un efecto significativo.
• Columnas numéricas: a la derecha suele aparecer el valor del efecto, el IC 95% y el porcentaje de peso de cada estudio. A la izquierda, el nombre del estudio y el año de publicación.

Cómo leer un forest plot en siete pasos

Cuando abras un forest plot por primera vez, sigue este orden para no perderte nada:

1. Identifica la medida de efecto. ¿Estás mirando diferencias de medias estandarizadas (d), odds ratios (OR), riesgos relativos (RR), correlaciones (r)? El eje horizontal y el pie del gráfico te lo dirán. Esto determina dónde cae la línea de nulidad (0 para diferencias, 1 para ratios).

2. Localiza la línea de nulidad. Todo lo que está a un lado favorece una condición; todo lo que está al otro lado, la opuesta. Las etiquetas en la base del gráfico (por ejemplo, «Favorece control» / «Favorece tratamiento») te orientan.

3. Revisa cada estudio. ¿Su cuadrado cae a un lado o al otro de la línea? ¿Su intervalo de confianza cruza la línea? Si la cruza, ese estudio individual no es significativo al 5%. Si no la cruza, lo es.

4. Fíjate en el tamaño de los cuadrados. Los cuadrados grandes son los estudios que más pesan en el resultado combinado. Si el efecto global depende sobre todo de uno o dos estudios con cuadrado enorme, la conclusión es sensible a esos estudios concretos. Comprueba si esos estudios tienen limitaciones metodológicas.

5. Lee el rombo. ¿Cruza la línea de nulidad? Si no la cruza, el efecto combinado es estadísticamente significativo. El centro del rombo es la estimación puntual y su anchura es el intervalo de confianza: un rombo estrecho indica alta precisión; uno ancho, que el metaanálisis no ha reducido suficiente la incertidumbre.

6. Evalúa la dispersión visual. ¿Los cuadrados de los estudios se agrupan en la misma zona o están desperdigados? Cuanto más dispersos, mayor es la heterogeneidad: los estudios no están diciendo lo mismo. En ese caso, fíjate en el I² (porcentaje de varianza atribuible a diferencias reales entre estudios, no al azar muestral) y en el test Q de homogeneidad.

7. Busca la I² y el modelo. Al pie del gráfico (o en el texto) suele indicarse si el modelo es de efectos fijos o de efectos aleatorios, junto con el valor de I². Un I² por encima del 50% se considera heterogeneidad sustancial; por encima del 75%, alta. Si la heterogeneidad es alta, el efecto combinado puede ser una simplificación excesiva y conviene explorar moderadores (análisis de subgrupos o metarregresión).

Efectos fijos vs. efectos aleatorios: qué cambia en el forest plot

Un detalle que pasa desapercibido para muchos lectores es que el mismo conjunto de estudios produce un forest plot visualmente diferente según se use un modelo de efectos fijos o de efectos aleatorios. La diferencia es más que cosmética: afecta a la conclusión.

En el modelo de efectos fijos, el supuesto es que todos los estudios estiman exactamente el mismo efecto verdadero y que las diferencias entre ellos son solo ruido muestral. Los pesos se asignan exclusivamente por la precisión intramuestral (cuanto más grande la muestra y menor la varianza, más peso). Los estudios grandes dominan y el rombo tiende a ser estrecho.

En el modelo de efectos aleatorios (el estándar en psicología, medicina y ciencias sociales), se asume que cada estudio estima un efecto verdadero diferente, todos extraídos de una distribución. Además de la varianza intramuestral, los pesos incorporan la varianza entre estudios (τ²). Esto redistribuye los pesos: los estudios pequeños reciben un poco más, los grandes un poco menos, y los cuadrados se igualan más en tamaño. El rombo suele ser más ancho porque el modelo es más conservador al incorporar esa fuente extra de incertidumbre.

La consecuencia práctica: un metaanálisis de efectos fijos puede dar un efecto significativo que desaparece al cambiar a efectos aleatorios, porque el rombo se ensancha lo suficiente como para cruzar la línea de nulidad. Si ves un forest plot con efectos fijos en un contexto donde los estudios provienen de poblaciones, contextos o intervenciones heterogéneas, desconfía: el modelo probablemente está subestimando la incertidumbre. En la práctica, la inmensa mayoría de metaanálisis publicados en revistas Q1 de psicología y salud usan efectos aleatorios (método REML en metafor).

Heterogeneidad: lo que el forest plot muestra y lo que esconde

El forest plot te da una primera señal visual de heterogeneidad: si los cuadrados están dispersos y los intervalos de confianza apenas se solapan, algo explica por qué los estudios dan resultados tan distintos. Pero la valoración visual es solo el primer paso. Los indicadores cuantitativos que acompañan al forest plot son:

• Q de Cochran: un test de significación que evalúa si la variabilidad observada entre estudios es mayor de lo esperado por azar. Si p < .05, hay heterogeneidad significativa, pero en metaanálisis con pocos estudios tiene poca potencia.
• I²: el porcentaje de la variabilidad total atribuible a diferencias reales entre estudios (no al azar muestral). Benchmarks orientativos: < 25% baja, 25-50% moderada, 50-75% sustancial, > 75% alta (Higgins et al., 2003).
• τ² (tau al cuadrado): la varianza entre estudios en la escala del efecto. Es el componente que se añade a los pesos en el modelo de efectos aleatorios.

Si quieres calcular estos indicadores a partir de tus datos, la calculadora de heterogeneidad (I², Q, τ²) te los da al instante. Y para una explicación en profundidad de cómo interpretar I², el artículo sobre heterogeneidad en metaanálisis entra en detalle.

Cuando la heterogeneidad es alta, el efecto combinado (el rombo) sigue siendo matemáticamente correcto, pero puede no ser sustantivamente informativo: decir que «en promedio el efecto es d = 0.40» tiene poco valor si algunos estudios encuentran 0.80 y otros −0.10. En ese escenario, el siguiente paso es explorar qué explica la variación, ya sea mediante análisis de subgrupos o metarregresión.

Forest plot con análisis de subgrupos

Cuando un moderador categórico (por ejemplo, el formato de la intervención: presencial vs. online) puede explicar parte de la heterogeneidad, los metaanálisis presentan un forest plot con subgrupos. En este gráfico, los estudios se agrupan bajo su categoría, cada subgrupo tiene su propio rombo parcial y al final aparece el rombo global. Es la forma más visual de mostrar si el efecto varía según una variable moderadora.

Para leer un forest plot con subgrupos, aplica los mismos siete pasos de antes dentro de cada subgrupo y luego compara los rombos parciales: si se solapan sustancialmente, el moderador probablemente no explica la heterogeneidad. Si están claramente separados, el formato de intervención (u otro moderador) influye en el efecto. El test de diferencias entre subgrupos (que suele reportarse como Q_between) confirma estadísticamente si la separación es significativa.

Cinco errores frecuentes al interpretar un forest plot

Después de revisar decenas de metaanálisis como consultor estadístico, estos son los errores que veo repetirse:

1. Evaluar solo la significación sin mirar la magnitud. «El rombo no cruza la línea, así que el tratamiento funciona.» No: un efecto significativo pero trivial (d = 0.08 con N = 10.000) no tiene relevancia práctica. Mira siempre cuánto mide el efecto, no solo si cruza la línea, y sitúa esa magnitud con los criterios de interpretación del tamaño del efecto.

2. Ignorar el tamaño de los cuadrados. Si un efecto global positivo depende de un único estudio grande que tiene un cuadrado enorme, la conclusión es frágil. Basta con que ese estudio tenga limitaciones (muestra sesgada, medición dudosa) para que todo el metaanálisis se tambalee. Un análisis de sensibilidad (leave-one-out) revela esta fragilidad.

3. Confundir significación del estudio con significación del metaanálisis. Que un estudio individual cruce la línea de nulidad no anula la evidencia: el poder del metaanálisis está precisamente en combinar estudios individualmente no significativos para obtener una estimación más precisa. No descartes un metaanálisis porque algunos estudios individuales no llegan a p < .05.

4. Asumir que el rombo vale para todas las poblaciones cuando I² es alto. Un I² del 80% te dice que los estudios están encontrando efectos muy distintos. En ese caso, el efecto combinado es un «promedio» que puede no representar a ninguna población concreta. Antes de citar ese rombo, explora las fuentes de heterogeneidad.

5. No comprobar el sesgo de publicación. Un forest plot no te muestra los estudios que nunca se publicaron. Si solo aparecen estudios con resultados positivos (porque los negativos se quedaron en el cajón), el efecto combinado está inflado. El funnel plot, el test de Egger y la p-curve son los complementos imprescindibles para evaluar este riesgo.

Cómo crear un forest plot en R

El paquete metafor (Viechtbauer, 2010) es la referencia para metaanálisis en R. Con tres líneas generas un forest plot de calidad de publicación:

library(metafor)

# Ajustar modelo de efectos aleatorios (REML)
res <- rma(yi = efecto, vi = varianza, data = mis_datos)

# Generar forest plot
forest(res, slab = mis_datos$estudio, header = TRUE,
       xlab = "Diferencia de medias estandarizada")

Si partes de medias y desviaciones típicas brutas (no de efectos ya calculados), usa primero escalc() para convertirlos. Con measure = "SMD" obtienes la g de Hedges (corregida por sesgo de muestra pequeña); con "OR" o "RR", odds ratios o riesgos relativos. La función forest() acepta argumentos para ordenar los estudios, agruparlos por subgrupos, cambiar el tamaño de fuente, y añadir las columnas numéricas. El paquete meta es una alternativa más sencilla que también genera forest plots publicables. Si quieres el proceso completo (de los datos brutos al gráfico exportado a 300 dpi), sigue el tutorial paso a paso de cómo hacer un forest plot en R con metafor.

Forest plots en JASP y otros programas

Si no usas R, JASP ofrece un módulo de metaanálisis accesible: importa tus datos en formato .csv (una columna para el efecto, otra para su error estándar o varianza), selecciona Meta-Analysis en el menú, escoge el modelo (efectos fijos o aleatorios) y marca la casilla Forest Plot. JASP genera el gráfico automáticamente con cuadrados, intervalos de confianza, pesos y rombo, y puedes exportarlo como imagen para tu manuscrito.

RevMan, el software oficial de las revisiones Cochrane, produce forest plots estándar al realizar un metaanálisis dentro de una revisión sistemática. Sus opciones de personalización son más limitadas que las de R, pero el resultado es el esperado en el formato Cochrane. CMA (Comprehensive Meta-Analysis) es otro software de pago con interfaz gráfica y generación automática de forest plots. Independientemente de la herramienta, lo esencial es que tu forest plot incluya: estudios individuales con cuadrados proporcionales al peso, intervalos de confianza del 95%, línea de nulidad, rombo con efecto combinado, e indicadores de heterogeneidad (I², Q, p).

Checklist para evaluar un forest plot

Antes de aceptar la conclusión de un metaanálisis (como lector) o de enviarlo a una revista (como autor), verifica que el forest plot incluya y que tú hayas revisado: la medida de efecto claramente etiquetada en el eje horizontal; la línea de nulidad en la posición correcta (0 para diferencias, 1 para ratios); cada estudio con cuadrado proporcional al peso e IC 95%; el modelo indicado (efectos fijos o aleatorios); el rombo con efecto combinado e IC 95%; los indicadores de heterogeneidad (I², Q, p); un análisis de subgrupos si la heterogeneidad es sustancial; y la comprobación de sesgo de publicación con un funnel plot.

Antes de enviarlo a la revista: si el forest plot ya está dentro de tu manuscrito, pasa el borrador por el Revisor Q1. Es una pre-revisión gratuita estilo Reviewer 2 que te devuelve por escrito lo que objetaría un revisor real: modelo sin justificar, heterogeneidad alta que nadie explora, sesgo de publicación sin comprobar o un rombo interpretado como si valiera para cualquier población. Mejor leerlo tú antes que en la carta de rechazo.

El forest plot no existe en el vacío: forma parte de un sistema de gráficos que evalúan la evidencia metaanalítica. Si ya lo dominas, el siguiente paso es comprobar si hay sesgo de publicación con el funnel plot y el test de Egger. Para visualizar estudios atípicos, el gráfico de Galbraith y el gráfico de L'Abbé son complementos útiles. Y si tu pregunta de investigación compara múltiples tratamientos simultáneamente, la network meta-analysis es el paso siguiente. Para la guía general de presentación de resultados, el artículo de cómo reportar resultados en APA 7 cubre todo el formato. Si prefieres que me encargue de todo el proceso, en mi consultoría estadística te acompaño desde la búsqueda sistemática hasta el manuscrito.