El sesgo de publicación es uno de los problemas más serios y persistentes de la ciencia empírica. Ocurre cuando los estudios con resultados estadísticamente significativos o que confirman una hipótesis tienen mayor probabilidad de ser publicados que aquellos con resultados nulos o contradictorios. El efecto acumulativo es devastador: la literatura publicada sobreestima sistemáticamente la magnitud de los efectos reales, y los metaanálisis que se basan exclusivamente en estudios publicados heredan este sesgo. El funnel plot (gráfico de embudo) es la herramienta visual más utilizada para evaluar si un metaanálisis puede estar afectado por este problema.
Estructura del funnel plot
Un funnel plot es un gráfico de dispersión en el que cada punto representa un estudio incluido en el metaanálisis. El eje horizontal (X) muestra el tamaño del efecto estimado por cada estudio, mientras que el eje vertical (Y) muestra una medida de precisión, generalmente el error estándar. Hay un detalle crucial en la orientación del eje Y: está invertido, de modo que los valores más pequeños de error estándar (es decir, los estudios más precisos, con muestras más grandes) aparecen en la parte superior del gráfico, y los menos precisos en la parte inferior. Esta convención no es arbitraria: refleja la idea de que los estudios más precisos están en la cúspide de la evidencia.
El gráfico incluye una línea vertical que indica la estimación del efecto combinado del metaanálisis, y dos líneas diagonales que representan los límites del intervalo de confianza del 95% alrededor de esa estimación para cada nivel de precisión. Estas líneas diagonales forman la figura de embudo que da nombre al gráfico. La lógica es la siguiente: los estudios más precisos (parte superior) deberían agruparse cerca de la estimación combinada, mientras que los menos precisos (parte inferior) se dispersarán más ampliamente. En ausencia de sesgo, los estudios deberían distribuirse de forma simétrica alrededor de la línea central, llenando el embudo de manera uniforme.
Interpretación de la simetría
La clave de la interpretación es evaluar la simetría del gráfico. Un funnel plot simétrico, donde los puntos se distribuyen de manera equilibrada a ambos lados de la línea central, sugiere que no hay evidencia visual de sesgo de publicación. Esto no significa que no exista, solo que el patrón visual no lo detecta. Un funnel plot asimétrico, en cambio, levanta una bandera roja. La forma más común de asimetría asociada al sesgo de publicación es la ausencia de puntos en la zona inferior izquierda del gráfico (o inferior derecha, según la dirección del efecto). Esta zona correspondería a estudios pequeños que encontraron efectos nulos o en la dirección contraria a la esperada: exactamente el tipo de estudios que es menos probable que se publiquen.
Cuando observas esta asimetría, la interpretación es que podrían existir estudios no publicados que, de haber sido incluidos, habrían reducido la estimación del efecto combinado. Dicho de otra forma: el efecto que reporta tu metaanálisis puede estar inflado porque la base de evidencia está incompleta. Este es un resultado profundamente incómodo para cualquier investigador, pero ignorarlo es una forma de mala práctica científica.
Modelos de efectos fijos vs. aleatorios
El tipo de modelo utilizado en el metaanálisis afecta la apariencia del funnel plot. Bajo un modelo de efectos fijos, se asume que todos los estudios estiman el mismo efecto poblacional verdadero, y la variabilidad entre estudios se atribuye exclusivamente al error de muestreo. En el funnel plot, esto se traduce en una línea vertical única que representa ese efecto común, y las líneas del embudo son relativamente estrechas porque la variabilidad esperada es solo la que corresponde al error de muestreo.
Bajo un modelo de efectos aleatorios, se permite que cada estudio estime un efecto ligeramente diferente, debido a variaciones en las poblaciones, los contextos, las intervenciones o los instrumentos de medida. En el funnel plot, la distribución de los puntos tiende a ser más dispersa incluso en la parte superior del gráfico, y la estimación combinada incorpora una varianza adicional (tau-cuadrado) que refleja la heterogeneidad entre estudios. La elección entre modelos de efectos fijos y aleatorios no solo afecta la estimación puntual y el intervalo de confianza del efecto combinado, sino también la interpretación visual del funnel plot: un funnel plot que parece asimétrico bajo un modelo de efectos fijos puede parecer más razonable bajo un modelo de efectos aleatorios, y viceversa.
El método trim-and-fill
Cuando el funnel plot sugiere asimetría, una de las herramientas de análisis de sensibilidad más utilizadas es el método trim-and-fill (Duval y Tweedie, 2000). Este método opera en tres pasos. Primero, identifica y elimina (trim) los estudios más pequeños de la parte asimétrica del funnel plot. Segundo, con los estudios restantes calcula una nueva estimación del efecto combinado. Tercero, reintroduce los estudios eliminados junto con sus contrapartes simétricas (fill), es decir, estudios imputados que el método estima que faltan. El resultado es una nueva estimación ajustada del efecto combinado que incorpora los estudios hipotéticamente ausentes.
Es fundamental entender qué es y qué no es el trim-and-fill. No es una corrección definitiva del sesgo de publicación. Es un análisis de sensibilidad: muestra cuánto cambiaría la estimación del efecto si la asimetría del funnel plot se debiera completamente a sesgo de publicación y si los estudios faltantes tuvieran exactamente las características imputadas. Si la estimación ajustada difiere sustancialmente de la original, la conclusión del metaanálisis es frágil y depende de la completitud de la base de estudios. Si apenas cambia, la conclusión es más robusta.
Limitaciones del funnel plot
El funnel plot tiene limitaciones importantes que no deben pasarse por alto. La más relevante es que la asimetría no es sinónimo de sesgo de publicación. Existen otras causas legítimas de asimetría en un funnel plot, como la heterogeneidad real entre estudios (los estudios pequeños pueden haber utilizado poblaciones o intervenciones diferentes), la correlación entre el tamaño del efecto y el error estándar (que ocurre, por ejemplo, cuando se usan odds ratios), o diferencias en la calidad metodológica. Un funnel plot asimétrico es una señal de alerta, no un diagnóstico definitivo.
Otra limitación práctica es que el funnel plot pierde utilidad cuando hay pocos estudios. Con menos de diez estudios, la evaluación visual de la simetría es esencialmente subjetiva y poco fiable. Para metaanálisis con un número reducido de estudios, es preferible utilizar pruebas formales como el test de Egger (regresión del tamaño del efecto sobre su error estándar) o el test de Begg (correlación de rangos), aunque estas pruebas también tienen baja potencia estadística con muestras pequeñas de estudios. La evaluación de la asimetría también debe combinarse con un análisis cuantitativo de la heterogeneidad entre estudios (I², tau²), porque una heterogeneidad alta puede confundirse con sesgo de publicación si no se examina con cuidado.
Implementación en R
En R, la función funnel() del paquete metafor genera funnel plots de alta calidad con una sola línea de código. Partiendo de un objeto rma (el resultado del modelo metaanalítico), basta con ejecutar funnel(modelo) para obtener el gráfico básico. La función permite personalizar el tipo de eje vertical (error estándar, varianza inversa, tamaño muestral), los colores, las etiquetas y la inclusión del intervalo de confianza del efecto combinado. Para el análisis trim-and-fill, la función trimfill() del mismo paquete aplica el método y puede visualizarse directamente sobre el funnel plot, mostrando los estudios imputados como puntos huecos diferenciados de los estudios reales.
Un flujo de trabajo completo incluiría estimar el modelo metaanalítico con rma(), generar el funnel plot con funnel(), aplicar el test de Egger con regtest(), y ejecutar trim-and-fill con trimfill(). Este conjunto de análisis proporciona una evaluación robusta del sesgo de publicación que va más allá de la inspección visual y que cualquier revisor esperará encontrar en un manuscrito de metaanálisis bien elaborado. Si quieres ver cómo se reportan estos análisis junto al gráfico que ningún revisor perdona, te interesa la anatomía de un forest plot.
Antes de enviarlo: el apartado de sesgo de publicación es de los que más comentarios recibe en la primera ronda, sobre todo cuando el funnel plot aparece solo, sin test formal ni análisis de sensibilidad que lo acompañe. Si ya tienes el manuscrito escrito, pásalo por el Revisor Q1: es una pre-revisión gratuita estilo Reviewer 2 que te señala qué te van a objetar mientras todavía puedes arreglarlo, y no tres meses después por carta de la revista.
Si estás preparando un metaanálisis para una revista Q1/Q2 y necesitas que la evaluación del sesgo de publicación esté blindada ante el revisor 2, puedo acompañarte en el proceso de publicación: desde el plan de análisis hasta la carta de respuesta a revisores.