Skip to main content
NCBI home page
Revista Médica del Instituto Mexicano del Seguro Social logoLink to Revista Médica del Instituto Mexicano del Seguro Social
. 2026 Sep-Oct;64(5):e6907. [Article in Spanish] doi: 10.5281/zenodo.21462788

Interpretación de las medidas de efecto en estudios clínicos: una guía práctica para el clínico

Interpretation of effect measures in clinical research: A practical guide for the clinician

Angelica Jeanette Luevanos-Aguilera 1,✉
PMCID: PMC13600739  PMID: 42771806

Abstract

Modern medical practice faces an ever-growing volume of information that demands accurate statistical interpretation to guide clinical decision-making. Effect measures are essential tools for quantifying the true magnitude of an intervention and assessing its clinical impact. However, limited understanding of these measures among healthcare professionals often hinders the effective translation of evidence into everyday practice. This article’s objective is to provide a clear and didactic overview of the principal effect measures used in clinical research, emphasizing their relevance to evidence-based medicine. Key concepts such as the p-value, confidence intervals, relative risk, absolute risk reduction, and number needed to treat are summarized. The p-value reflects statistical significance, but it does not convey the magnitude or clinical importance of an effect. Confidence intervals, on the other hand, offer information about the precision and direction of the estimated effect. Relative risk facilitates the comparison of probabilities between groups, while absolute risk reduction and number needed to treat provide more tangible measures for clinical application. The adequate interpretation of these concepts is a cornerstone of evidence-based medicine, it enables clinicians to critically appraise research findings, and make patient-centered decisions, thereby narrowing the gap between scientific evidence and clinical practice.

Keywords: Evidence-Based Medicine; Data Interpretation, Statistical; Clinical Decision-Making; Clinical Research Protocols

Introducción

La práctica médica contemporánea se enfrenta a un volumen creciente de información científica que busca orientar la toma de decisiones clínicas. Para que esta evidencia pueda integrarse de manera efectiva a la atención cotidiana, resulta indispensable comprender y aplicar adecuadamente los resultados estadísticos que sustentan las recomendaciones.1,2 Entre ellos, las medidas de efecto constituyen un recurso fundamental, pues permiten estimar la magnitud real de una intervención, ya sea terapéutica, diagnóstica o pronóstica, y su capacidad para generar cambios clínicamente relevantes en los pacientes.3,4

A pesar de su importancia, persiste una brecha en el entendimiento e interpretación de estas medidas dentro de la comunidad clinica.5 El desconocimiento de conceptos como intervalo de confianza (IC), riesgo relativo (RR), odds ratio (OR), reducción absoluta del riesgo (RAR) o número necesario a tratar (NNT) puede conducir a interpretaciones erróneas y, en consecuencia, a decisiones clínicas alejadas de la mejor evidencia disponible.6 Esta dificultad limita la traslación del conocimiento científico a la práctica clínica rutinaria y compromete la calidad de las intervenciones médicas.

Ante este panorama, el presente artículo tiene como objetivo analizar de forma clara y didáctica las principales medidas de efecto utilizadas en investigación clínica, con el fin de facilitar su comprensión e interpretación entre los profesionales de la salud. De esta forma, se busca contribuir a reducir la brecha entre la producción de evidencia estadística y su aplicación en la toma de decisiones clínicas fundamentadas.

Metodología

Se realizó una revisión narrativa de la literatura conforme a los lineamientos internacionales propuestos por el Scale for the Assessment of Narrative Review Articles (SANRA),7 con el propósito de sintetizar la evidencia conceptual y la práctica relacionada con las principales medidas de efecto en investigación clínica. La búsqueda bibliográfica se efectuó entre enero y septiembre de 2025 en las bases de datos PubMed, Scopus, SciELO y Google Scholar, y se emplearon los descriptores medicina basada en la evidencia, investigación clínica, interpretación estadística de datos y medidas de asociación.

Se incluyeron artículos y libros publicados en inglés y español, y se priorizaron aquellos publicados en los últimos 5 años, que abordan la definición, interpretación y aplicación clínica del valor de p, IC, RR, OR, RAR y NNT, por su relevancia para la interpretación de estudios clínicos y su evaluación de la magnitud real de una intervención. Se excluyeron estudios experimentales en modelos animales, reportes duplicados y artículos con enfoque exclusivamente estadístico o matemático.

La información recuperada fue sometida a lectura crítica y análisis narrativo, y se organizó temáticamente para describir los conceptos fundamentales e ilustrarlos mediante ejemplos obtenidos de un ensayo clínico publicado. Esta estructura permitió mantener la coherencia entre la revisión teórica y su aplicación práctica, lo cual garantizó un análisis centrado en la utilidad clínica de cada medida de efecto.

Resultados

La información sintetizada sobre el valor de p, IC, RR, OR, RAR y NNT se presenta siguiendo una secuencia homogénea que incluye definición y fundamento estadístico; tipos de diseño de estudio en los que es aplicable; utilidad clínica; criterios de interpretación; principales fortalezas y limitaciones, así como un ejemplo que ilustra cómo traducir los hallazgos numéricos en implicaciones clínicas concretas.

Para el cálculo de las medidas de efecto utilizadas en este artículo, es indispensable construir una tabla de contingencia.8 Esta herramienta organiza la información del estudio de acuerdo con la presencia o ausencia de una exposición (por ejemplo, recibir un tratamiento, una intervención no farmacológica o un factor de riesgo) y de un desenlace clínico (cualquier resultado relevante, como la ocurrencia de defunción, complicaciones o mejoría). La clasificación de los participantes en categorías expuestos/no expuestos y con/sin desenlace permite cuantificar adecuadamente la frecuencia de los eventos y, a partir de ello, estimar las medidas de efecto (cuadro I).

Cuadro I. Tabla de contingencia estándar para la obtención de medidas de efecto.

Desenlace clínico (efecto, intervención o evento)
Positivo Negativo Total
Exposición Caso expuesto o grupo de intervención a b a + b
Caso no expuesto o grupo de control c d c + d
Open in a new tab

La proporción de individuos que presentan el desenlace en el grupo de intervención se define como riesgo en expuestos, calculado mediante la fórmula a/ (a + b). La proporción de individuos con el desenlace en el grupo de control se conoce como riesgo en no expuestos y se obtiene con la fórmula: c/ (c + d)

Valor de p

El valor de p representa la evidencia estadística en contra de la hipótesis nula y permite determinar la probabilidad de que los resultados observados se deban al azar.9 En términos prácticos, un valor de p < 0.05 suele considerarse estadísticamente significativo en investigación clínica, lo que implica que existe menos de un 5% de probabilidad de que los hallazgos observados sean atribuibles al azar.10

El valor de p es aplicable a todo tipo de diseño de investigación, excepto para los estudios descriptivos, en los que el objetivo no es contrastar una hipotesis.11 Su principal utilidad es actuar como criterio de significación para diversas pruebas estadísticas.12 No obstante, su interpretación requiere cautela, dado que el valor de p representa únicamente la probabilidad de observar los datos bajo la hipótesis nula y no constituye una medida de relevancia clínica. Por ello, diferencias mínimas pueden alcanzar significación estadística sin traducirse necesariamente en un beneficio clínicamente relevante para el paciente.13 Además, el valor de p no proporciona información sobre la magnitud ni la dirección del efecto y su interpretación aislada puede conducir a conclusiones erróneas. Por ello, siembre debe analizarse de manera complementaria con medidas de efecto e intervalos de confianza que permitan estimar la precisión y relevancia clínica de los hallazgos.14

Para ilustrar su interpretación, se presenta el estudio CONSENSUS,15 un ensayo clínico aleatorizado y controlado por placebo (cuadro II). Los autores plantearon como hipótesis determinar si la administración de 10 mg de enalapril (intervención) en pacientes con insuficiencia cardiaca congestiva clase funcional IV de la NYHA16 reducía la mortalidad a 6 y 12 meses (desenlace clínico) en comparación con el placebo. Para la aplicación práctica de este artículo, se utilizarán únicamente los datos de sobrevida a 12 meses, mientras que el lector puede realizar la misma actividad con el resto de los resultados.

Cuadro II. Adaptación de los resultados del ensayo clínico CONSENSUS.

Se ilustran los resultados de un análisis de supervivencia acumulada y regresión de Cox reportados por Swedberg et al.15 En este ensayo clínico originalmente no se incluyeron valores de IC o medidas de asociación

Placebo
( n = 126) 		Enalapril
( n = 127) 		p
n % n %
Mortalidad a 6 meses 55 44 33 26 0.002
Mortalidad a 1 año 66 52 46 36 0.001
Mortalidad total 68 54 50 39 0.003
Open in a new tab

En este estudio se aplicó una prueba estadística denominada regresión de Cox, de donde se obtuvo un valor de p < 0.05, es decir significación estadística. Esta evidencia, aplicada a la hipótesis de investigación, sugiere que es altamente probable que las diferencias en la sobrevida observadas entre ambos grupos sean “reales” y no debidas al azar. Sin embargo, interpretar un valor de p pequeño como sinónimo de impacto clínico constituye un error común. La relevancia clínica solo puede evaluarse mediante la cuantificación de la magnitud del efecto, la amplitud de los intervalos de confianza y el juicio clínico sobre la importancia biológica o terapéutica de los resultados.

Riesgo relativo (RR)

En la literatura médica se utiliza con frecuencia el término riesgo, el cual es simplemente la probabilidad de que ocurra un evento en un periodo de tiempo.17 Cuando intentamos estimar la magnitud con la que se incrementa el riesgo de que ocurra un evento ante una exposición de interés, hablamos de una fuerza de asociación, es decir, qué tanto un evento puede ser explicado por la exposición. Este puede ser estimado mediante el RR (entre otras).18

El RR es la relación entre el riesgo de un evento o desenlace en un grupo (por ejemplo, el grupo expuesto o de intervención) y el riesgo del mismo evento o desenlace en otro grupo (por ejemplo, el grupo no expuesto o control).18 Puede denominarse relative risk o risk ratio y se calcula mediante la fórmula [a / (a + b)] / [c / (c + d)] a partir de una tabla de contingencia (cuadro I). Puede aplicarse en estudios prospectivos donde es posible calcular la incidencia, como los ensayos clínicos o cohortes.

La interpretación se basa en la referencia al valor 1, donde un RR = 1 implica ausencia de riesgo; un RR > 1 indica incremento en el riesgo supuestamente atribuido a la intervención o exposición de interés; y un RR < 1 refleja una reducción del riesgo, lo cual suele interpretarse como beneficio clínico.19 Aunque el valor de RR es fácil de interpretar, debe considerarse que el valor de RR en un artículo puede no ser generalizable o reproducirse en la práctica clínica, ya que está influido por la prevalencia del evento en la población que fue estudiada y en la que supuestamente se presentaron condiciones similares para la exposición del evento de interés. Más importante aún, el RR no demuestra causalidad; para esta, pueden aplicarse los criterios de Bradford-Hill.20,21

Para demostrar su utilidad práctica, se han organizado los resultados de sobrevida a 12 meses del estudio CONSENSUS en una tabla de contingencia (cuadro III). Con base en esta, se aplicó la fórmula RR = [a / (a + b)] / [c / (c + d)], de donde obtenemos la sustitución siguiente: [46 / (46 + 78)] / [66 / (66 + 54)] = 0.37/ 0.55 = 0.67). Para la interpretación de este resultado, el lector debería hacerlo como: “La administración de 10 mg de enalapril presenta 0.67 menos riesgo relativo de morir a un año en comparación con placebo”, también como “La administración de 10 mg de enalapril reduce el riesgo relativo de 33% (100% − 67% = 33%) en la mortalidad”. Se asume “disminución” del riesgo o protección, debido a que el valor calculado (0.67), resulta ser menor que el valor de referencia 1.

Cuadro III. Tabla de contingencia para el cálculo de medidas de asociación.

Se construye la tabla de contingencia a partir de la adaptación de los resultados de Swedberg et al.15 para la estimación de sobrevida a 12 meses

Presencia de muerte Ausencia de muerte Total
Enalapril 46 78 124
Placebo 66 54 120
Open in a new tab

Reducción absoluta del riesgo (RAR)

Otra forma de estimar el efecto global de una intervención o tratamiento de interés en comparación con otro grupo es aplicar el cálculo de RAR. La RAR surge de la diferencia en la probabilidad de que ocurra un desenlace en el grupo expuesto o de intervención menos el riesgo del grupo no expuesto o de comparación.22 Se calcula a partir de la fórmula [c / (c + d)] − [a / (a + b)] y también puede ser denominado diferencia de riesgo (DR).22 Es aplicable en diseños de estudio en los que sea posible conocer la incidencia, por ejemplo: ensayos clínicos y estudios de cohorte.

La RAR es especialmente valiosa porque traduce los hallazgos estadísticos en beneficio clínico tangible al permitirnos conocer cuántos eventos se evitan por una intervención y así comunicar los resultados más fácilmente con los pacientes. La interpretación del resultado se realiza con base en el 0: RAR > 0 = reducción del riesgo o beneficio absoluto, RAR 0 = sin beneficio adicional y RAR < 0 = aumento absoluto del riesgo. La interpretación también permite expresar el resultado por la cantidad de pacientes tratados, por ejemplo, por cada 100 pacientes.23

Las limitaciones de la RAR son que pierde su utilidad clínica cuando el riesgo basal de un evento o tratamiento no es conocido, o bien cuando este varía según el contexto clínico, ya que puede sobrestimar el efecto real de una intervención y dificultar la comparación objetiva de beneficios clínicos o de reducción de daños potenciales.24 Además, en la literatura hay opiniones divergentes entre la utilidad del riesgo absoluto y el relativo; sin embargo, esta discusión no está dentro del alcance de este artículo.25

De la aplicación práctica del RAR en los resultados del cuadro III obtenemos que RAR = [66 / (66 + 54)] / [46 / (46 + 78)] = 0.55 − 0.37 = 0.18 (18%). El lector debería interpretar este resultado como: “Una reducción absoluta del riesgo de 18% en la mortalidad a un año con 10 mg de enalapril” o bien, “la administración de enalapril previene 18 (multiplicando 0.18 por 100) muertes por cada 100 pacientes tratados”. Como podemos observar, la interpretación de este resultado parece más tangible en la práctica clínica diaria.

Odds ratio (OR)

Cuando interpretamos medidas relacionadas con riesgo, es fundamental distinguir entre el RR y el OR. El RR compara directamente la probabilidad del evento entre el grupo expuesto y el no expuesto, utilizando como denominador el total de individuos en cada grupo. En contraste, el OR no estima probabilidad, sino la razón de probabilidades (odds), definida como la proporción entre eventos y no eventos dentro de un mismo grupo. El OR se obtiene dividiendo el odds del evento en el grupo expuesto entre el odds en el grupo no expuesto y se aplica la fórmula [a*d / c*b], pero también puede obtenerse como la exponencial del coeficiente en modelos de regresión logística.

En la literatura puede aparecer como “razón de posibilidades/probabilidades” o “razón de momios”.26 Su uso es adecuado en estudios en los que no es posible conocer directamente el riesgo o incidencia, como los estudios de casos y controles, así como en análisis que modelan probabilidades mediante regresión logística (estudios de cohorte), metaanálisis y estudios de prueba diagnóstica.27

Por su naturaleza, es útil cuando se analizan eventos raros o cuando no se conoce el riesgo absoluto. La principal limitación del OR es que se puede sobreestimar la magnitud del efecto; además, su interpretación suele ser menos intuitiva que la del RR. En todos los casos, tanto para OR como para RR, los resultados deben interpretarse junto con sus intervalos de confianza, ya que estos informarán sobre la precisión y dirección del efecto.

La interpretación del OR se hace tomando como referencia el valor 1, tal como ocurre con el RR, por lo que en el ejemplo del estudio CONSENSUS, al aplicar la fórmula [a*d / c*b], obtenemos [46*54 / 78*66]= 2484/ 5148 = 0.48. Para interpretar este resultado, se recomienda describir explícitamente en términos de odds: “La administración de 10 mg de enalapril se asocia con 0.48 odds para la mortalidad a 1 año en comparación con el grupo control”. Debido a que el OR no refleja una diferencia de probabilidades ni un cambio porcentual real, no se recomienda interpretarlo como porcentaje de reducción de riesgo, a diferencia del RR o de la RAR.22

Intervalos de confianza (IC)

Es el rango comprendido entre el límite inferior y el límite superior dentro del cual se espera que se encuentre el valor real de un parámetro poblacional. En investigación clínica se utiliza comúnmente un nivel de confianza del 95%, que se calcula a partir de la estimación puntual ± 1.96 errores estándar en una curva de distribución normal.28 El IC proporciona al investigador un rango que refleja la variabilidad de los datos y la precisión de la estimación, es decir, que al hacer múltiples mediciones de nuestra variable de interés el 95% de las veces, el resultado se encontrará en este intervalo.29

El IC puede aplicarse en cualquier diseño de estudio cuantitativo que genere medidas de efecto o estimaciones numéricas, como estudios de cohortes, casos y controles, ensayos clínicos, etcétera. En la práctica, el IC ayuda a valorar no solo si existe una asociación, sino qué tan precisa es, lo cual facilita nuestro entendimiento sobre la magnitud del efecto y si es compatible con resultados clínicamente relevantes. Para su interpretación, se revisa si el IC incluye el valor de referencia 1; si el intervalo de confianza no supera el valor de referencia, la asociación o efecto observado es consistente con el valor estadístico. Además, IC estrechos indican mayor precisión de los datos, mientras que los amplios sugieren incertidumbre.30

En el ensayo clínico CONSENSUS, el reporte original no incluía IC; por ello, se calcularon los correspondientes al RR y RAR (cuadro IV). Siguiendo los criterios de interpretación, observamos que el IC 95% del RR fue 0.55-0.89. Tanto el límite inferior (0.55) como el superior (0.89) son menores que el valor de referencia 1, lo que indica que los resultados son estadísticamente consistentes con el RR observado (0.67). En términos clínicos, esto significa que al mantenerse todo el intervalo por debajo de 1 la intervención con enalapril muestra un efecto protector.

Cuadro IV. Aplicación de intervalos de confianza a medidas de asociación.

Los resultados publicados del estudio CONSENSUS original no presentan intervalos de confianza en sus resultados, por lo que se ha realizado un cálculo adicional de IC 95% para el RR y RAR con la finalidad de ejemplificar la interpretación de datos (ver el anexo 1)

Proporción de expuestos Proporción de no expuestos RR (IC 95%) RAR (IC 95%)
Mortalidad a 1 año 0.37 37.1% 0.55 55% 0.67 (0.50 a 0.89) 0.18 (0.05 a 0.32)
Open in a new tab

Por el contrario, si hipotéticamente tuviéramos un IC 95% de 0.50 a 1.30, los límites ya no serían concordantes con un efecto protector, porque el intervalo cruza el valor de referencia 1. En ese escenario, incluso si el RR puntual sugiriera beneficio, la certeza estadística sería insuficiente y no podríamos concluir que el enalapril reduce el riesgo en la práctica clínica.

Anexo 1. Cálculo de intervalos de confianza.

Anexo 1

Open in a new tab

Número necesario a tratar (NNT)

El NNT indica la cantidad de pacientes que deben recibir una intervención terapéutica para que uno de ellos presente un beneficio clínico o para evitar la aparición de un desenlace adverso. Se calcula a partir de 1/RAR y su cálculo es aplicable en diseños de estudio intervencionista como los ensayos clinicos.31

La relevancia clínica del NNT es que constituye una de las medidas más intuitivas y prácticas para interpretar la efectividad de un tratamiento nuevo en comparación con el estándar terapéutico o placebo, lo cual favorece la toma de decisiones centrada en el paciente.32 No obstante, las limitaciones del NNT es que no todos los estudios clínicos reportan directamente su valor o los datos suficientes para calcularlo; además, el NNT puede variar de forma considerable según el riesgo basal de la población analizada, lo que limita la generación de sus resultados y exige interpretar esta medida en el contexto clínico específico.33

En nuestro ejemplo del cuadro III, el cálculo de NNT sería: [NNT= 1/ 0.18 = 5.55]: el NNT traduce una cantidad de pacientes, por lo que expresamos los resultados en números enteros considerando el número inmediatamente superior. De esta forma, el lector debería interpretar NNT = 5.55 como: “Se requiere tratar 6 pacientes con 10 mg de enalapril para evitar que 1 paciente muera”. Un valor numérico muy grande representa un tratamiento menos efectivo, por lo que el lector deberá enfocar sus aplicaciones clínicas en NNT pequeños.

Discusión

La interpretación de las medidas de efecto constituye un pilar fundamental de la práctica clínica sustentada en evidencia, ya que permite traducir resultados estadísticos en implicaciones reales en la toma de decisiones médicas. Esta revisión resalta la necesidad de fortalecer la comprensión y el pensamiento crítico de los clínicos frente a los resultados estadísticos que sustentan la evidencia científica. La comprensión de las medidas de efecto nos brindará la pauta para discernir entre la significación estadística y la relevancia clínica.

El principal hallazgo de esta revisión conceptual es que las medidas de efecto ofrecen una perspectiva global al evaluar la magnitud y la dirección de los resultados de un estudio.34 Mientras el valor de p informa sobre la probabilidad de cometer un error de decisión estadístico, las medidas de efecto aportan un contexto clínico que permite evaluar la utilidad real de una intervención.35 Estudios recientes enfatizan que la interpretación conjunta del RR y los IC favorece la precisión en la comunicación de resultados y reduce el riesgo de sobreinterpretar hallazgos estadísticamente significativos, pero clínicamente irrelevantes.21,28,30

Adicionalmente, se observó que las medidas absolutas, como la RAR y el NNT, facilitan la traducción de la evidencia en decisiones centradas en el paciente, al expresar los beneficios terapéuticos en términos comprensibles y aplicables.25,36 Estas medidas permiten dimensionar el impacto real de un tratamiento en poblaciones específicas, con lo que contribuyen a una medicina más personalizada y costo-efectiva.37 Sin embargo, su interpretación debe realizarse en el contexto del riesgo basal de la población, porque en los estudios de investigación se intenta controlar factores de confusión y su extrapolación indiscriminada puede inducir conclusiones erróneas o sesgadas.

La principal fortaleza de este trabajo radica en su abordaje didáctico y clínicamente orientado que integra la teoría estadística con ejemplos aplicables a la práctica médica. A diferencia de las revisiones centradas exclusivamente en aspectos metodológicos, esta revisión se enfoca en la aplicabilidad de las medidas de efecto para la interpretación crítica de la literatura biomédica. No obstante, al tratarse de una revisión narrativa, la inclusión de fuentes no sistemáticas podría limitar la exhaustividad de la evidencia. Asimismo, la heterogeneidad terminológica entre los estudios revisados puede haber influido en la síntesis conceptual final.

Conclusiones

En síntesis, la comprensión integral de las medidas de efecto constituye un pilar de la medicina basada en la evidencia, lo cual permite interpretar los hallazgos de investigación más allá de la significación estadística. Fomentar su enseñanza en la formación médica y su aplicación sistemática en la práctica clínica puede mejorar la calidad de las decisiones médicas y reducir la brecha entre la investigación y la atención al paciente. El dominio de estas herramientas no solo fortalece el juicio clínico, sino que también promueve una medicina más transparente, reproducible y centrada en el beneficio real del paciente

Notas

*

La autora ha completado y enviado la forma traducida al español de la declaración de conflictos potenciales de interés del Comité Internacional de Editores de Revistas Médicas, y no fue reportado alguno relacionado con este artículo.

Referencias

  • 1.Karunarathna I, Gunasena P, Aluthge P, et al. From Data to Decisions: The Role of Statistics in Healthcare. Montfort Hosp. 2024:1–6. doi: 10.13140/RG.2.2.36334.11843. [DOI] [Google Scholar]
  • 2.Kang H. How to understand and conduct evidence-based medicine. Korean J Anesthesiol. 2016;69(5):435–45. doi: 10.4097/kjae.2016.69.5.435. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 3.Davis SL, Johnson AH, Lynch T, et al. Inclusion of effect size measures and clinical relevance in research papers. Nurs Res. 2021;70(3):222–30. doi: 10.1097/NNR.0000000000000494. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 4.Higgins JP, Li T, Deeks JJ. Cochrane Handbook for Systematic Reviews of Interventions. Chapter 6: Choosing effect measures and computing estimates of effect. Disponible en: https://www.cochrane.org/authors/handbooks-and-manuals/handbook/current/chapter-06 . [Google Scholar]
  • 5.Wouk K, Kenny K, Chetwynd E. About Research: Clinical Versus Statistical Significance. J Hum Lact. 2025 Mar;41(2):181–4. doi: 10.1177/08903344251320587. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 6.Lozada-Martínez ID, Acevedo-Aguilar LM, Mass-Hernández LM, et al. Practical guide for the use of medical evidence in scientific publication: Recommendations for the medical student: Narrative review. Ann Med Surg. 2021;71:102932. doi: 10.1016/j.amsu.2021.102932. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 7.Baethge C, Goldbeck-Wood S, Mertens S. SANRA-a scale for the quality assessment of narrative review articles. Res Integr Peer Rev. 2019;4:5. doi: 10.1186/s41073-019-0064-8. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 8.Illowsky B, Dean S, Illowsky B, et al. Statistics. OpenStax; 2020. Contingency Tables. Disponible en: https://openstax.org/books/statistics/pages/3-4-contingency-tables . [Google Scholar]
  • 9.Shreffler J, Huecker MR. StatPearls. Treasure Island (FL): StatPearls Publishing; 2025. Hypothesis Testing, P Values, Confidence Intervals, and Significance. Disponible en: http://www.ncbi.nlm.nih.gov/books/NBK557421/ [PubMed] [Google Scholar]
  • 10.White SE. Bioestadística Básica y Clínica. 5ta Ed. McGraw-Hill Medical; 2025. Probabilidad y temas relacionados para hacer inferencias sobre los datos. [Google Scholar]
  • 11.Bonovas S, Piovani D, Bonovas S, et al. On p-Values and Statistical Significance. J Clin Med. 2023;12(3) doi: 10.3390/jcm12030900. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 12.AbdulRaheem Y. Statistical Significance versus Clinical Relevance: Key Considerations in Interpretation Medical Research Data. Indian J Community Med Off Publ Indian Assoc Prev Soc Med. 2024;49(6):791–5. doi: 10.4103/ijcm.ijcm_601_23. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 13.Sharma H. Statistical significance or clinical significance? A researcher’s dilemma for appropriate interpretation of research results. Saudi J Anaesth. 2021;15(4):431–4. doi: 10.4103/sja.sja_158_21. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 14.Chén OY, Bodelet JS, Saraiva RG, et al. The roles, challenges, and merits of the p value. Patterns. 2023;4(12):100878. doi: 10.1016/j.patter.2023.100878. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 15.Swedberg K, Kjekshus J. Effects of enalapril on mortality in severe congestive heart failure: results of the Cooperative North Scandinavian Enalapril Survival Study (CONSENSUS) Am J Cardiol. 1988;62(2):60A–66A. doi: 10.1016/s0002-9149(88)80087-0. [DOI] [PubMed] [Google Scholar]
  • 16.Heidenreich PA, Bozkurt B, Aguilar D, et al. ACC/AHA Joint Committee Members. 2022 AHA/ACC/HFSA Guideline for the Management of Heart Failure: A Report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines. Circulation. 2022;145(18):e895–1032. doi: 10.1161/CIR.0000000000001063. [DOI] [PubMed] [Google Scholar]
  • 17.George A, Stead TS, Ganti L. What’s the Risk: Differentiating Risk Ratios, Odds Ratios, and Hazard Ratios? Cureus. 2020;12(8):e10047. doi: 10.7759/cureus.10047. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 18.Vargas F. Epidemiología clínica. 3era ed. McGraw-Hill Medical; 2025. Concepto de causalidad en Medicina. Disponible en: https://accessmedicina.mhmedical.com/content.aspx?bookId=1442&sectionId=101159243 . [Google Scholar]
  • 19.Sharma SK, Mudgal SK, Chaturvedi J. Expression and interpretation of relative risk and odds ratio in biomedical research studies. Indian J Community Health. 2020;32(2):344–7. doi: 10.47203/ijch.2020.v32i02.008. [DOI] [Google Scholar]
  • 20.Ranganathan P, Aggarwal R, Pramesh CS. Common pitfalls in statistical analysis: Odds versus risk. Perspect Clin Res. 2015;6(4):222. doi: 10.4103/2229-3485.167092. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 21.Doi SA, Furuya-Kanamori L, Xu C, et al. Controversy and Debate: Questionable utility of the relative risk in clinical research. J Clin Epidemiol. 2022;142:271–9. doi: 10.1016/j.jclinepi.2020.08.019. [DOI] [PubMed] [Google Scholar]
  • 22.Monaghan TF, Rahman SN, Agudelo CW, et al. Foundational Statistical Principles in Medical Research: A Tutorial on Odds Ratios, Relative Risk, Absolute Risk, and Number Needed to Treat. Int J Environ Res Public Health. 2021;18(11):5669. doi: 10.3390/ijerph18115669. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 23.Irwig L, Irwig J, Trevena L, et al. Smart Health Choices: Making Sense of Health Advice. Hammersmith Press; 2008. Relative risk, relative and absolute risk reduction, number needed to treat and confidence intervals. [PubMed] [Google Scholar]
  • 24.Zavala S, Stout JE. Understanding and Communicating Risk: Assessing Both Relative and Absolute Risk Is Absolutely Necessary. JID Innov. 2022;2(2):100097. doi: 10.1016/j.xjidi.2022.100097. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 25.Andersen LW. Absolute vs. relative effects—implications for subgroup analyses. Trials. 2021;22:50. doi: 10.1186/s13063-020-05005-7. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 26.Lovaldi ML. Relative risk and odds ratio: basic concepts. Rev Argent Cir. 2023;115(4):310–5. doi: 10.25132/raac.v115.n4.cymmli. [DOI] [Google Scholar]
  • 27.Park SH, Han K. How to Clearly and Accurately Report Odds Ratio and Hazard Ratio in Diagnostic Research Studies? - Korean J Radiol. Korean J Radiol. 2022;23(8):777–84. doi: 10.3348/kjr.2022.0249. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 28.Andrade C. How to Understand the 95% Confidence Interval Around the Relative Risk, Odds Ratio, and Hazard Ratio: As Simple as It Gets. J Clin Psychiatry. 2023;84(3):23f14933. doi: 10.4088/JCP.23f14933. [DOI] [PubMed] [Google Scholar]
  • 29.Gupta L, Chaudhary K, Bharti D. Confidence interval reporting in randomised controlled trials: A critical analysis of IJA publications. Indian J Anaesth. 2025;69(10):1069. doi: 10.4103/ija.ija_811_25. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 30.Sharma PK, Yadav M. Confidence Interval: Advantages, Disadvantages and the Dilemma of Interpretation. Rev Recent Clin Trials. 2024;19(1):76–80. doi: 10.2174/0115748871266250231120043345. [DOI] [PubMed] [Google Scholar]
  • 31.Vancak V, Goldberg Y, et al. Guidelines to understand and compute the number needed to treat. Evid Based Ment Health. 2021;24(4):131–6. doi: 10.1136/ebmental-2020-300232. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 32.Davis MP, Vanenkevort E. Understanding the Number Needed to Treat. J Pain Symptom Manage. 2024;68(3):e190–3. doi: 10.1016/j.jpainsymman.2024.06.002. [DOI] [PubMed] [Google Scholar]
  • 33.Jassir Acosta MP, Gómez-Restrepo C. Número necesario a tratar y número necesario para producir daño: su importancia. Univ. Med. 2021;62(2) doi: 10.11144/Javeriana.umed62-2.nnnt. [DOI] [Google Scholar]
  • 34.D’Arrigo G, Gori M, Pitino A, et al. Measures of frequency and effect in clinical research. Int Urol Nephrol. 2023;55:3147–52. doi: 10.1007/s11255-023-03626-w. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 35.Jiroutek MR, Turner JR. Relative vs absolute risk and odds: Understanding the difference. J Clin Hypertens Greenwich Conn. 2019;21(6):859–61. doi: 10.1111/jch.13548. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 36.Willigenburg NW, Poolman RW. The difference between statistical significance and clinical relevance. The case of minimal important change, non-inferiority trials, and smallest worthwhile effect. Injury. 2023;54(Suppl 5):110764. doi: 10.1016/j.injury.2023.04.051. [DOI] [PubMed] [Google Scholar]
  • 37.Rendón-Macías ME, García H, Villasís-Keever MA. Medidas de riesgo, asociación e impacto en los estudios de investigación clínica. Cómo interpretarlas para su aplicación en la atención médica. Revista Alergia México. 2021;68(1):65–75. doi: 10.29262/ram.v68i1.886. [DOI] [PubMed] [Google Scholar]

Articles from Revista Médica del Instituto Mexicano del Seguro Social are provided here courtesy of Instituto Mexicano del Seguro Social

RESOURCES