Ya extrajiste los tamaños de efecto de cada estudio incluido, calculaste tu estimación combinada, y ahora necesitas la figura que es un metaanálisis para la mayoría de los lectores: el forest plot. La ruta tradicional pasa por los paquetes metafor o meta de R, o por RevMan, y lograr que las columnas, el diamante y los pesos queden alineados puede comerse una tarde entera. Esta guía te muestra cómo hacer un forest plot para un metaanálisis describiéndolo en lenguaje natural, para que la IA arme las filas, los intervalos de confianza y el diamante combinado mientras tú te concentras en la síntesis.
Al terminar esta guía serás capaz de:
- Hacer un forest plot para un metaanálisis con una fila por estudio, estimaciones puntuales e intervalos de confianza, sin programar.
- Graficar odds ratios, riesgos relativos, diferencias de medias o hazard ratios con la línea de no efecto correctamente ubicada.
- Añadir los pesos de cada estudio, el diamante resumen combinado y los estadísticos de heterogeneidad (I², τ²) donde los revisores los esperan.
- Construir forest plots por subgrupos y exportar una figura lista para imprenta para tu revisión sistemática o tu envío a la revista.
Todo lo de abajo ocurre dentro del editor de SciDraw AI usando el generador de forest plots: tú aportas los estudios y los tamaños de efecto, la IA dibuja el gráfico, y tú lo refinas con palabras.
Qué comunica un forest plot
Un forest plot resume muchos estudios en una sola pila vertical. Cada fila es un estudio: un cuadrado marca su estimación de efecto, una línea horizontal muestra el intervalo de confianza, y el tamaño del cuadrado refleja su peso en el metaanálisis. Una línea vertical de no efecto (en 1 para razones, en 0 para diferencias) permite ver de un vistazo qué estudios son significativos. Abajo, un diamante muestra la estimación combinada: su centro es el efecto resumen y su ancho, el intervalo de confianza combinado.
La figura tiene que dejar tres cosas claras: el efecto y la precisión de cada estudio, cuánto aportó cada uno y qué dicen en conjunto. Si aciertas en eso, el gráfico cuenta la historia completa.
Paso 1: Describe el forest plot que quieres
Abre el editor y dile a la IA la medida de efecto, los estudios y la estructura. La medida de efecto determina dónde queda la línea nula y si el eje va en escala logarítmica, así que indícala desde el inicio.
Plantilla: "Crea un forest plot para un metaanálisis de [N] estudios. Medida de efecto: [odds ratio / riesgo relativo / diferencia de medias / hazard ratio]. Gráfica cada estudio con su estimación puntual y su intervalo de confianza al 95 %, un cuadrado dimensionado por su peso, una línea vertical de no efecto en [1 / 0], y un diamante resumen combinado al final. Usa un eje X [logarítmico]."
Un ejemplo completo:
- "Crea un forest plot para un metaanálisis de 8 ensayos aleatorizados. Medida de efecto: odds ratio en un eje X logarítmico. Una fila por estudio con el nombre del estudio, el OR y su IC al 95 % como texto a la derecha, un cuadrado dimensionado por el peso del estudio, y una línea vertical punteada de no efecto en OR = 1. Añade un diamante combinado de efectos aleatorios al final etiquetado como 'Global'."
Paso 2: Introduce los estudios y los tamaños de efecto
Cada fila necesita una etiqueta y una estimación de efecto con su intervalo. Puedes pasarle a la IA una tabla pequeña o listarlos en línea.
- "Añade estos estudios como filas: Smith 2019, OR 1.42 (1.10–1.84); Lee 2020, OR 0.88 (0.61–1.27); Garcia 2021, OR 1.95 (1.30–2.93)..."
- "Muestra el OR numérico y el IC al 95 % en una columna a la derecha alineada con cada fila."
- "Añade una columna a la izquierda con el primer autor y el año de cada estudio."
Si tu medida de efecto es continua, cambia el planteamiento: "Usa la diferencia de medias con la línea de no efecto en 0 y un eje X lineal."
Paso 3: Añade pesos, el diamante combinado y la heterogeneidad
Lo que separa un forest plot de una simple fila de barras de error es el detalle metaanalítico. Pídelo de forma explícita:
- "Dimensiona el cuadrado de cada estudio en proporción a su peso y añade una columna 'Peso (%)' a la derecha."
- "Añade al final un diamante combinado de efectos aleatorios; su ancho es el IC al 95 % de la estimación resumen."
- "Añade los estadísticos de heterogeneidad bajo el diamante: I² = 38 %, τ² = 0.04, p = 0.12."
- "Etiqueta la fila combinada como 'Global (efectos aleatorios)'."
Indica si tu combinación es de efecto fijo o de efectos aleatorios: cambia los pesos y el diamante, y los revisores lo comprobarán.
Paso 4: Añade subgrupos y etiquetas de dirección
Muchas revisiones dividen los estudios por subgrupo (p. ej., dosis, región, riesgo de sesgo). La IA puede agrupar las filas y darle a cada subgrupo su propio diamante de subtotal.
- "Agrupa los estudios en dos subgrupos — 'Dosis alta' y 'Dosis baja' — cada uno con su propio diamante de subtotal, y luego un diamante global al final del todo."
- "Añade una prueba de heterogeneidad entre subgrupos entre los dos subtotales."
- "Añade etiquetas de dirección en el eje: 'Favorece al tratamiento' a la izquierda, 'Favorece al control' a la derecha."
Las etiquetas de dirección bajo el eje son un detalle pequeño que evita que los lectores confundan qué lado ayuda. Para pulir cualquier etiqueta individual después, consulta cómo editar texto y etiquetas en figuras de IA.
Errores comunes (y cómo solucionarlos)
- Línea de no efecto equivocada. Una línea nula en 1 en un gráfico de diferencia de medias no tiene sentido. Solución: "Coloca la línea de no efecto en 0 para diferencias de medias y en 1 para medidas de razón."
- Eje lineal para razones. Los odds ratios y los riesgos relativos quedan sesgados en escala lineal. Solución: "Usa una escala logarítmica para el eje X para que los intervalos de confianza se vean simétricos."
- Faltan los pesos de los estudios. Cuadrados del mismo tamaño ocultan qué estudios impulsan el resultado. Solución: "Dimensiona los cuadrados por peso y añade una columna de pesos."
- Sin diamante combinado. Una pila de estudios sin un resumen no es una figura de metaanálisis. Solución: "Añade el diamante resumen combinado al final."
- Omitir la heterogeneidad. Los lectores necesitan I² y τ² para juzgar la síntesis. Solución: "Añade I², τ² y el p-valor de heterogeneidad bajo el diamante."
- Columnas desalineadas. Nombres de estudios, estimaciones e IC que no se alinean se ven descuidados. Solución: "Alinea las columnas de estudio, estimación, IC y peso en carriles verticales limpios."
Exporta y úsalo
Cuando el gráfico esté listo, expórtalo para tu destino:
- "Exporta esto como un PNG a 300 DPI con el ancho completo de una página de revista."
- "Dame un SVG para editarlo en Illustrator antes del envío."
- "Exporta en alta resolución con fondo blanco para el material suplementario."
Un forest plot suele ser una figura más dentro de un paquete mayor de revisión sistemática. Combínalo con cómo hacer un diagrama de flujo PRISMA para tu flujo de selección de estudios y con cómo hacer un diagrama CONSORT si también reportas los propios ensayos. Sigue refinando el texto con cómo editar texto y etiquetas en figuras de IA. Todo sigue siendo editable en el editor de SciDraw AI.
Preguntas frecuentes
¿Cómo hago un forest plot para un metaanálisis sin R ni RevMan?
Abre el generador de forest plots, indica tu medida de efecto (odds ratio, riesgo relativo, diferencia de medias o hazard ratio), lista cada estudio con su estimación y su IC al 95 %, y la IA construye las filas, los pesos y el diamante combinado. Lo refinas todo escribiendo instrucciones: no se necesita metafor ni RevMan.
¿Cuál es la diferencia entre un forest plot de odds ratio y uno de riesgo relativo? Ambas son medidas de razón graficadas en un eje X logarítmico con la línea de no efecto en 1, así que el diseño es idéntico. La diferencia está en el cálculo y la interpretación subyacentes; solo indícale al generador qué medida usan tus datos y etiquetará el eje en consecuencia.
¿Dónde va la línea de no efecto? En 1 para las medidas de razón (odds ratio, riesgo relativo, hazard ratio) en escala logarítmica, y en 0 para las medidas de diferencia (diferencia de medias, diferencia de medias estandarizada) en escala lineal. Indicar la medida de efecto desde el inicio la coloca correctamente.
¿Cómo muestro los pesos de los estudios en un forest plot? Pídele a la IA que dimensione el cuadrado de cada estudio en proporción a su peso y que añada una columna "Peso (%)". Cuadrados más grandes significan que el estudio aportó más a la estimación combinada: una convención central de las figuras de metaanálisis.
¿Puedo hacer un forest plot por subgrupos? Sí. Indícale al generador de forest plots cómo agrupar los estudios y creará subgrupos separados, cada uno con un diamante de subtotal, más un diamante global y una prueba opcional de heterogeneidad entre subgrupos.
Haz tu forest plot ahora
Sáltate la configuración de RevMan. Lista tus estudios, nombra tu medida de efecto y deja que la IA arme un forest plot limpio, ponderado y listo para publicar con su diamante combinado. Abre el generador de forest plots o ve directo al editor de SciDraw AI para hacer el tuyo ahora.
