Cómo interpretar estudios científicos de fitness y nutrición (Masterclass)

🔬 Si te encanta la ciencia detrás de la nutrición, el entrenamiento o la salud, seguramente vivas con esa sensación constante y frustrante de que cada semana "los estudios dicen una cosa distinta". Un día el huevo te mata, al siguiente es un superalimento; hoy el volumen de entrenamiento es el rey, mañana lo es la intensidad.

En el mundo del fitness, como en cualquier disciplina de salud, interpretar mal un estudio puede cambiarlo todo: desde las recomendaciones que das a tus clientes hasta los resultados que obtienes tú mismo.

➡️ Por eso, he creado esta Masterclass escrita. Al terminar de leerla no solo serás inmune a los titulares sensacionalistas, sino que serás capaz de:

1. Filtrar el ruido: saber si un estudio realmente responde a tu pregunta sin quedarte en el abstract.
2. Detectar el humo: identificar al instante comparadores trampa, p-hackings y conclusiones que no se sostienen con los datos.
3. Decidir con seguridad: integrar la evidencia real con tu experiencia, evitando sesgos cognitivos.

Soy Salvador de Gracia, dietista-nutricionista, director de AENBE y profesor en Fit Generation. Hoy voy a ayudarte a pasar de "me creo lo que pone en el abstract" a "entiendo qué puedo y qué no puedo concluir de este estudio".

La realidad incómoda: por qué tu experiencia no basta

🧠 Arranco con una verdad dura pero necesaria: tu experiencia personal es una herramienta pésima para sacar conclusiones causales fiables sobre salud. Suena fuerte, porque todos tenemos anécdotas potentes ("a mí me funcionó esta rutina", "a mi cliente le fue genial con la dieta X"), pero la experiencia anecdótica carece de un elemento fundamental en ciencia: el contrafactual (imagen 1).

El contrafactual es la respuesta a la pregunta: "¿Qué habría pasado si hubieras hecho otra cosa?". En tu vida, no lo sabes. Solo vives una línea temporal.

• Ejemplo: "A mí me funcionó esta rutina de fuerza full-body". ¿Seguro que fue la rutina? ¿O fue simplemente el hecho de volver a entrenar después de un parón, de dormir mejor esa semana, de comer más proteína o simplemente de que estabas más motivado? Y lo que es peor: ¿cómo sabes que esa rutina, en realidad, no te frenó comparado con lo que podrías haber logrado con una rutina dividida?

- Imagen 1. El contrafacto es el escenario hipotético de "qué habría pasado si...". En este gráfico, la línea punteada proyecta la tendencia original, permitiendo medir el efecto del cambio a partir del punto de intervención.

🧪 La ciencia construye ese "mundo alternativo" mediante grupos de control, aleatorización y ajustes estadísticos. El método científico no es perfecto, pero es el único sistema diseñado específicamente para controlar el azar, los sesgos y las coincidencias que nuestra mente interpreta erróneamente como causa-efecto. Pensar como un científico es, ante todo, pensar con estructura y humildad, aceptando que nuestra percepción está sesgada y necesitamos herramientas externas para ver la realidad objetiva.

La pregunta correcta: el método PICO y criterios de inclusión

❓ El primer error al leer un estudio es no saber qué estamos buscando o pedirle al estudio respuestas que no puede dar. Para evitarlo, usamos el formato PICO. Antes de abrir el PDF y perderte en gráficos, debes definir tu pregunta:

• P (Población): ¿Quiénes son? No es lo mismo un estudio en ratones, en culturistas de élite o en ancianos con sarcopenia.
• I (Intervención/Exposición): ¿Qué se está testando exactamente? (Ej. dieta vegana isocalórica, sentadilla profunda con pausa, suplementación con 5 g de creatina).
• C (Comparador): ¿Contra qué se compara? Este es el punto crítico. ¿Se compara contra dieta omnívora, contra sentadilla parcial o contra placebo? Sin comparador, no hay conclusión.
• O (Outcome/Desenlace): ¿Qué se mide? ¿Hipertrofia muscular medida por ecografía (dato duro) o "sensación de energía" (subjetivo)?

📝 Ejemplo práctico en nutrición: "En gemelos idénticos (P), ¿una dieta vegana (I), comparada con una dieta omnívora saludable (C), mejora los niveles de LDL y la salud cardiometabólica (O)?" (Landry et al., 2023).

🚪 Las puertas del estudio (criterios): para que el estudio responda a tu PICO, los investigadores usan filtros:

• Criterios de inclusión: son las "puertas de entrada". Definen quién puede participar (ej. adultos de 18-75 años con LDL >160 mg/dL). Aseguran que la población estudiada (P) sea la correcta.
• Criterios de exclusión: son las "puertas de seguridad". Especifican quién no debe entrar por seguridad o para evitar confusión (ej. embarazo, toma de estatinas, enfermedad renal).

⚠️ Matiz de experto: que alguien quede fuera de los criterios de inclusión (ej. mayores de 75 años) no significa necesariamente que la intervención no funcione en ellos; significa que este estudio no nos da evidencia directa para afirmarlo. Extrapolar requiere prudencia fisiológica.

El mapa del territorio: tipos de estudios y la pirámide de la evidencia

🔺 La clásica pirámide de la evidencia coloca a los metaanálisis arriba y a los estudios observacionales abajo. Como brújula general sirve, pero tomarla al pie de la letra sin análisis crítico es un error de novato. En nutrición y entrenamiento, la pirámide a menudo se invierte o se aplana dependiendo de la calidad metodológica.

1. Estudios Observacionales (el mundo real desordenado)

🧑‍🔬 El investigador no asigna nada, solo mira lo que la gente ya hace.

• Transversales: una foto fija en el tiempo. Débiles para causalidad, buenos para generar hipótesis.
• Cohortes: siguen a la gente en el tiempo (ej. NutriNet-Santé). Son potentes para ver asociaciones a largo plazo (cáncer, mortalidad), pero sufren de confusión residual (¿comen carne roja y enferman por la carne, o porque también fuman y son sedentarios?).
• Casos y Controles: miran hacia atrás. Útiles para enfermedades raras, pero con mucho sesgo de memoria.

2. Estudios de Intervención (Ensayos Clínicos / RCT)

🧑‍🔬El investigador asigna quién recibe qué. Si se aleatoriza bien, ganamos en validez interna porque la aleatorización (en teoría) reparte los factores de confusión equitativamente entre los grupos. Son el gold standard para responder "¿qué pasa si cambio X?".

• Explicativos: buscan mecanismos en condiciones ideales y controladas (ej. sala metabólica). Maximizan validez interna, sacrifican externa.
• Pragmáticos: buscan efectividad en condiciones de vida real ("toma este consejo y vuelve en un año"). Maximizan validez externa, pero hay más ruido por la falta de adherencia.

3. Síntesis de Evidencia (Metaanálisis y Revisiones)

📚Aquí está la trampa más común. Un metaanálisis no es sagrado por ser metaanálisis. Es una herramienta estadística.

• Garbage In, Garbage Out: si metes estudios basura (mal diseñados, heterogéneos) en la coctelera matemática, el resultado será basura, pero con un número bonito y un intervalo de confianza al final.
• El problema en nutrición: muchos metaanálisis mezclan peras con manzanas (dosis distintas, poblaciones dispares, comparadores desiguales). A veces, leer un buen ensayo clínico individual bien diseñado, como el DIETFITS (Gardner et al., 2018), arroja más luz sobre la realidad fisiológica que un promedio estadístico que lo aplana todo y oculta los matices individuales.

💡 Lección: no te rindas ante un "metaanálisis dice X" sin abrirlo y ver qué estudios metieron dentro. A veces, la verdad está en el detalle del estudio individual.

Anatomía de un paper: el detector de mentiras metodológico

📄 Cuando abres un artículo científico, la tentación de leer solo el resumen (abstract) y saltar a las conclusiones es enorme. Es el fast food de la ciencia. Pero tú quieres ser un gourmet.

Para leer con rigor, debes entender la función crítica de cada sección:

1. Introducción: El Mapa

🗺️ Aquí los autores te venden la importancia de su estudio. Te dicen qué se sabe y qué falta por saber. Úsala solo para situarte y verificar si la pregunta (PICO) coincide con lo que tú buscas. No contiene evidencia, solo contexto.

2. Métodos: El Corazón Técnico (donde reside la verdad)

⚙️ Esta es la sección más árida, pero es la única que importa para determinar la validez. Si los métodos son basura, los resultados son basura, por muy bonitos que sean los gráficos.

• Prerregistro: ¿Dejaron constancia del plan antes de empezar? Esto es el antídoto contra cambiar las reglas del juego a mitad de partido (p-hacking). Busca menciones a PROSPERO (revisiones), ClinicalTrials.gov (ensayos) o OSF. Como señalaron Nosek y Lakens (2014), el prerregistro aumenta drásticamente la credibilidad.
• Guías de reporte: ¿Siguen las normas CONSORT (para ensayos) o PRISMA (para revisiones)? Esto garantiza transparencia.
• El desenlace principal (Primary Outcome): ¿Cuál era la variable principal que querían medir? Si el estudio falla en esa variable pero encuentran algo "significativo" en una variable secundaria (ej. "no perdieron peso, pero mejoraron su 'sensación de bienestar'"), enciende la alarma. Eso es generar hipótesis, no confirmar eficacia.

- Imagen 2. Declaración CONSORT 2025, guía actualizada para la presentación de informes de ensayos aleatorizados. The BMJ

3. Resultados: Los Datos Fríos

📊 Aquí no hay opiniones, solo números. Diferencia claramente entre el desenlace principal preespecificado y los análisis exploratorios.

• Intención de tratar (ITT): fíjate si reportan el análisis por ITT. Esto significa que cuentan a todos los participantes, incluso a los que abandonaron o no se tomaron el suplemento. Si solo analizan a los que terminaron (Per Protocol), pueden estar inflando el éxito de la intervención al eliminar a los que les fue mal o les sentó mal el tratamiento (Gupta, 2011).

4. Discusión y Conclusiones: La Narrativa

🗣️La discusión intenta encajar los hallazgos en el contexto actual, pero recuerda: las conclusiones son la opinión de los autores. A menudo estiran los datos más de lo que la estadística permite (Spin). Contrasta siempre sus afirmaciones triunfalistas con las tablas de resultados. Si los datos dicen "efecto pequeño y dudoso" y la conclusión dice "tratamiento revolucionario", cree siempre a los datos.

Un ejemplo clásico de esto es el estudio de Katz et al. (2005). Los autores concluyeron que el consumo de huevo mejoraba la función endotelial, pero 'olvidaron' mencionar en la conclusión el contexto clave del comparador: el grupo control desayunaba un sándwich de salchicha y queso (tipo McMuffin). El huevo no ganó por ser mágico, ganó porque la alternativa era una bomba de grasas saturadas y sodio. Si lees solo la conclusión, te engañan; si miras los métodos, entiendes el truco.

- Imagen 3. Podemos ver cómo en las conclusiones del estudio de Katz et al. los autores concluyen que el consumo de huevos a corto plazo no afecta negativamente la función endotelial en adultos sanos, lo que respalda la opinión de que el colesterol dietético puede ser menos perjudicial para la salud cardiovascular de lo que se creía anteriormente. Ahora sabes que esto no es así y que las conclusiones hay que tomarlas con pinzas.

Conceptos clave I: Aleatorización, Validez y "Table 1 Fallacy"

🎲 La aleatorización es la herramienta más potente que tenemos para inferir causalidad, pero a menudo se malinterpreta en el mundo del fitness.

⚖️ El verdadero poder: su función no es simplemente "que los grupos se parezcan" en edad o peso (eso es una consecuencia deseable, pero no el objetivo central). La aleatorización sirve para romper, en promedio, cualquier relación sistemática entre la asignación del tratamiento y los factores de confusión, tanto los conocidos (edad, sexo, experiencia entrenando) como, y esto es lo vital, los desconocidos (genética, motivación, estrés laboral, calidad del sueño). Convierte el sesgo sistemático en simple ruido aleatorio, que la estadística puede manejar.

⚠️ La "Table 1 Fallacy" (falacia de la tabla 1): es muy común ver a lectores (e incluso revisores) mirando la Tabla 1 de un ensayo clínico (donde se describen las características basales de los participantes) y buscando diferencias "estadísticamente significativas" entre los grupos antes de empezar la intervención.

• El error: si encuentran una diferencia (ej. el grupo A pesaba 2 kg más por azar), dicen que "la aleatorización falló" y que el estudio está invalidado. Esto es un error conceptual grave. En un ensayo aleatorizado bien hecho, cualquier diferencia basal es, por definición, fruto del azar, no de un sesgo. Usar pruebas de hipótesis (p-valores) para testar si la aleatorización funcionó es un sinsentido estadístico.
• La solución: lo correcto no es mirar la p de la tabla 1, sino preespecificar qué variables son importantes por su valor pronóstico (ej. edad o nivel inicial de fuerza) y ajustar por ellas en el análisis final para ganar precisión.

Conceptos clave II: El valor de P, Poder Estadístico y la "Null Fallacy"

Aquí entramos en el terreno más pantanoso de la ciencia, donde la mayoría de divulgadores patinan y acaban transmitiendo mensajes erróneos a su audiencia.

El Valor de P (p-value): lo que es y lo que no es

Existe una obsesión casi religiosa con el umbral de p < 0,05. Si es menor, "funciona"; si es mayor, "no funciona". Pero la realidad es continua, no binaria.

• ❌ No es: la probabilidad de que la hipótesis nula sea cierta (ej. "hay un 95 % de probabilidad de que el suplemento funcione").
• ❌ No es: la probabilidad de que el resultado se deba al azar.
• ✅ Sí es: una medida de compatibilidad. Es la probabilidad de observar unos datos tan extremos (o más) como los que hemos obtenido, asumiendo que la hipótesis nula (no hay efecto real) fuera cierta.

💡 Matiz de experto: Un p=0,049 y un p=0,001 se consideran ambos "significativos" bajo el umbral clásico, pero la evidencia en contra de la nula es mucho más fuerte en el segundo. Tratar el 0,05 como un precipicio donde a un lado "hay verdad" y al otro "no hay nada" es una simplificación peligrosa que ha llevado a mucha mala ciencia.

Poder Estadístico y la "Null Fallacy"

El Poder Estadístico (1-β) es la capacidad de tu estudio para detectar un efecto si este realmente existe. Depende del tamaño de la muestra, la magnitud del efecto y el ruido de la medición.

🚫 El pecado capital: la "Null Fallacy" es el error de interpretar un resultado "no significativo" (p > 0,05) como una prueba de que "no hay efecto" o "no hay diferencia".

• La frase a tatuarse: "Ausencia de evidencia no es evidencia de ausencia".
• El escenario: imagina un estudio de nutrición con solo 20 personas que compara dos dietas para perder grasa. El resultado muestra una pérdida de 2 kg más en el grupo A, pero con un p=0,10.
• La mala interpretación: "el estudio demuestra que las dietas son iguales". Falso.
• La interpretación correcta: "Los datos son compatibles con que las dietas sean iguales, pero también con que la dieta A sea mucho mejor. No tenemos suficiente poder (muestra) para distinguirlo".

Conceptos clave III: Intervalos de Confianza y Tamaño del Efecto

📊 El valor de p es un semáforo que te dice si debes prestar atención, pero no te dice la velocidad del coche ni hacia dónde va. Para tomar decisiones clínicas o deportivas, necesitas dos métricas más:

1. Tamaño del Efecto (Effect Size)

Nos dice cuánto importa el resultado.

• Magnitud: no es lo mismo una diferencia estadísticamente significativa de 50 gramos de pérdida de peso (irrelevante para tu cliente) que de 5 kg (muy relevante).
• Métricas: en estudios de entrenamiento, solemos ver la d de Cohen. Como regla general (aunque depende del contexto): 0,2 es pequeño, 0,5 medio, 0,8 grande. Pero en nutrición, efectos pequeños acumulados en el tiempo pueden ser enormes para la salud pública.

2. Intervalos de Confianza (IC)

Nos dan la precisión de la estimación. Un IC del 95 % nos dice que el rango de valores compatibles con los datos es, por ejemplo, entre -1 kg y -5 kg de pérdida de grasa.

• Estrecho: estimación precisa (ej. entre -2,9 y -3,1 kg). Sabemos muy bien lo que pasa.
• Ancho: estimación imprecisa (ej. entre -0,5 y -10 kg). Podría ser poco útil o milagroso; hay mucha incertidumbre.
• El truco del cero: si el intervalo de confianza de una diferencia entre grupos cruza el 0 (ej. de -2 a +1), el resultado no es estadísticamente significativo (p > 0,05).

Detectando trampas: el arte del comparador injusto

🥊 ¿Cómo puede un estudio "salir bien" y dar titulares positivos aunque la intervención sea mediocre? La forma más fácil y común en nutrición es elegir un comparador trampa (Strawman Comparator).

En nutrición, el placebo puro casi no existe. Comer más de X implica casi siempre comer menos de Y. Por tanto, el resultado depende totalmente de qué estás quitando del plato.

🍔 Ejemplo clásico: Estudios financiados por la industria cárnica a menudo comparan una dieta alta en carne roja magra contra una dieta alta en carbohidratos refinados y azúcares (dieta estándar americana).

• El resultado: el grupo de la carne mejora sus marcadores metabólicos.
• El titular: "La carne roja es saludable".
• La realidad: la carne roja es mejor que el azúcar y las harinas refinadas. Pero si la hubieran comparado con una dieta rica en legumbres, pescado y frutos secos, probablemente habría perdido. El contexto del comparador lo es todo (Willett, 2017).

Otro caso flagrante es el estudio de Montoro-García et al. (2022), que reportó beneficios cardiometabólicos del consumo de jamón serrano. ¿El truco? Lo compararon contra jamón cocido. Es un duelo de procesado contra procesado, no contra una opción óptima.

De forma similar, Hodgson et al. (2007) concluyeron que aumentar la carne roja magra no elevaba el estrés oxidativo, pero la clave reside en qué alimentos desplazó esa carne en la dieta de los participantes. Sin analizar qué se deja de comer, el resultado es una verdad a medias.

🏋️‍♂️ En entrenamiento: si quieres demostrar que tu "Método de Alta Intensidad" funciona, compáralo con un grupo control que haga un volumen de entrenamiento ridículamente bajo o una intensidad ineficaz. Tu método ganará no porque sea óptimo, sino porque el control fue pésimo. Sin un comparador justo y robusto, no hay aprobación científica.

El lado oscuro: P-Hacking, Dragado de Datos y Sesgo de Publicación

📉 Aquí entramos en las prácticas cuestionables que inflan la evidencia.

1. P-Hacking y Dragado de Datos (Data Dredging)

Consiste en torturar los datos hasta que confiesen. Si mides 50 variables diferentes y haces 100 análisis distintos sin una hipótesis previa, por puro azar estadístico (con un alfa de 0,05), 5 de ellos saldrán "significativos" aunque no haya efecto real.

• HARKing: "Hypothesizing After the Results are Known". Es disparar una flecha a la pared y luego pintar la diana alrededor de donde cayó. Los autores ven qué salió positivo y reescriben la introducción para fingir que esa era su hipótesis desde el principio.
• El antídoto: busca estudios con Prerregistro. Si los autores dejaron escrito en una plataforma pública (como ClinicalTrials.gov) qué iban a medir y cómo lo iban a analizar antes de empezar, sus manos están atadas y sus resultados son mucho más fiables (Nosek & Lakens, 2014).

2. Sesgo de Publicación (el problema del cajón)

Las revistas académicas (y los autores) prefieren publicar resultados "positivos", novedosos y sexys. Los estudios que dicen "probamos esto y no pasó nada" suelen quedarse en un cajón y nunca ven la luz.

• La consecuencia: si hacemos una revisión de la literatura y solo vemos los éxitos publicados, sobrestimaremos enormemente la eficacia real de las intervenciones. En los metaanálisis, busca el gráfico de embudo (Funnel Plot) para ver si falta la mitad de la historia.

Filosofía de la evidencia: la Asimetría Acción vs. Inacción

🧠 Cierro esta masterclass con un principio práctico vital para tu carrera profesional y tu vida personal. A menudo caemos en la parálisis por análisis, esperando el "estudio perfecto" que nunca llega.

En ciencia aplicada (nutrición, medicina, entrenamiento), "no hacer nada" no es un estado neutro; es una decisión activa de mantener el curso actual.

• El Sesgo de la Inacción: a veces exigimos pruebas imposibles y certeza absoluta para recomendar una nueva intervención (ej. empezar a entrenar fuerza, reducir ultraprocesados), mientras le damos un pase libre a la inacción (seguir siendo sedentario, comer mal), como si no hacer nada fuera seguro.
• El enfoque racional: debes comparar el riesgo/beneficio de la Acción vs. el riesgo/beneficio de la Inacción.
  • Si una intervención tiene bajo riesgo, bajo coste y un mecanismo biológico plausible (ej. comer más verdura, dormir 8 horas), no necesitas esperar a un ensayo clínico aleatorizado perfecto de 20 años para recomendarla. El coste de oportunidad de no hacerlo es mayor.
  • Si una intervención tiene alto riesgo o coste (ej. un fármaco nuevo, una cirugía, un suplemento caro), entonces sí debes exigir la evidencia más rigurosa antes de mover ficha.

Checklist final: tu protocolo de lectura

La próxima vez que te enfrentes a un paper, no leas pasivamente. Usa este escáner mental:

✅ 1. Filtro PICO: ¿Responde este estudio a mi pregunta específica (Población, Intervención, Comparador)?

✅ 2. Calidad Metodológica: ¿Está prerregistrado? ¿Es el comparador justo o un hombre de paja?

✅ 3. Datos vs. Relato: Ignora los adjetivos de las conclusiones. Mira los intervalos de confianza y el tamaño del efecto en las tablas.

✅ 4. Contexto: ¿Es un resultado aislado o encaja con el mecanismo biológico y otros estudios?

✅ 5. Decisión: ¿Es la evidencia suficiente para justificar un cambio, o es mejor esperar?

La buena interpretación no consiste en tener más fe en la ciencia, sino en hacerle mejores preguntas. Ahora tienes las herramientas para hacerlas.