Un estudio de 1,9 millones de registros sanitarios evidencia los límites de los datos masivos en la investigación médica

Un estudio sanitario que analizó los registros médicos electrónicos de 1,9 millones de personas ha ofrecido nuevas perspectivas sobre las capacidades y las limitaciones estructurales de los datos poblacionales masivos en la investigación médica. Publicada el 14 de septiembre de 2026, la investigación comparó sistemáticamente las definiciones de enfermedades, el uso de medicamentos y la prevalencia del cáncer derivados de registros clínicos de rutina con los datos establecidos en importantes iniciativas de biobancos. Aunque la ampliación del tamaño de la cohorte ofrece un poder estadístico significativo para detectar eventos de salud poco frecuentes, los hallazgos muestran que aumentar el tamaño de la muestra no elimina de forma inherente la falta sistemática de datos, los errores de clasificación diagnóstica o los sesgos de selección integrados en la documentación clínica diaria.

## Datos clave - Un estudio de salud a escala poblacional analizó registros médicos electrónicos (EHR) de 1,9 millones de personas para evaluar la relación entre el tamaño de la muestra y la fiabilidad epidemiológica. - Los investigadores compararon los resultados de salud, las tasas de prevalencia del cáncer y el uso de medicamentos con receta derivados de los datos de EHR con conjuntos de datos de biobancos internacionales consolidados. - El análisis reveló que ampliar la escala de la muestra no puede compensar las imprecisiones estructurales, la falta de variables clínicas o la codificación diagnóstica inconsistente. - Los métodos de fenotipado electrónico basados en sistemas de codificación administrativa mostraron una alineación variable con marcadores biológicos validados en diferentes categorías de enfermedades. - El estudio destaca la necesidad de combinar datos clínicos del mundo real a gran escala con cohortes prospectivas caracterizadas en profundidad para evitar hallazgos engañosos en la investigación sanitaria.

## Qué ocurrió El estudio recientemente publicado realizó un análisis comparativo integral utilizando un conjunto de datos de registros médicos electrónicos que abarcaba a 1,9 millones de personas para investigar cómo afecta la escala de la muestra a la precisión de las conclusiones en la investigación médica. Según la información difundida por News-Medical.net, los investigadores evaluaron enfermedades seleccionadas definidas a través de registros electrónicos y contrastaron su prevalencia, evolución y patrones de tratamiento con los registros de biobancos internacionales consolidados.

La investigación se centró específicamente en tres ejes principales de datos clínicos: la fiabilidad de las definiciones electrónicas de enfermedades, los patrones de administración de medicamentos y la prevalencia registrada del cáncer. Para definir enfermedades dentro de conjuntos de datos clínicos del mundo real, los investigadores de la salud suelen construir fenotipos electrónicos utilizando combinaciones de códigos de facturación de la Clasificación Internacional de Enfermedades (ICD), resultados de laboratorio clínico y notas médicas. Sin embargo, al evaluar estas definiciones electrónicas en una población de casi dos millones de individuos, los investigadores identificaron discrepancias persistentes entre los patrones de codificación clínica y el estado documentado de las enfermedades.

Al evaluar el uso de medicamentos, el estudio examinó cómo los registros de dispensación de recetas y las órdenes médicas reflejan el consumo real de fármacos. El análisis comparativo demostró que, si bien las muestras masivas permiten a los investigadores observar efectos secundarios raros de los medicamentos y combinaciones de prescripciones poco frecuentes, los registros administrativos omiten con frecuencia el uso de fármacos de venta libre, los matices de la prescripción fuera de ficha técnica (off-label) y la falta de adherencia de los pacientes.

Del mismo modo, al evaluar la prevalencia del cáncer, los investigadores compararon la documentación tumoral en registros electrónicos de rutina con registros dedicados de cáncer y el seguimiento prospectivo de biobancos. La comparación subrayó que los registros administrativos de rutina suelen sufrir retrasos en la notificación, atribución errónea de los sitios tumorales primarios e información de estadio incompleta en comparación con las bases de datos oncobiológicas especializadas. Los hallazgos demuestran que, aunque aumentar la población de estudio a millones de registros mejora la precisión estadística, amplifica simultáneamente el ruido administrativo no aleatorio si el marco subyacente de recopilación de datos permanece sin calibrar.

## Por qué es importante Los hallazgos tienen consecuencias directas para la estructura de la investigación biomédica, los procesos de desarrollo de fármacos y la implantación de la inteligencia artificial en los sistemas sanitarios. A lo largo de la última década, instituciones de salud pública, corporaciones farmacéuticas y empresas de biotecnología han invertido miles de millones de dólares en la adquisición y análisis de conjuntos masivos de datos del mundo real. La premisa central que sustentaba estas inversiones era que el mero volumen podría superar el ruido inherente a los registros administrativos clínicos no estructurados.

Este estudio demuestra que el poder estadístico derivado de muestras de gran tamaño no puede sustituir a la calidad de los datos ni al fenotipado riguroso. Cuando los investigadores entrenan algoritmos predictivos o evalúan la eficacia de los medicamentos en conjuntos de datos no validados de millones de pacientes, los sesgos sistemáticos no se compensan ni se promedian; por el contrario, se magnifican. La clasificación errónea del estado de una enfermedad o el seguimiento incompleto del cumplimiento de la medicación pueden llevar a los modelos de aprendizaje automático a identificar correlaciones espurias, lo que podría orientar mal el diseño de ensayos clínicos o desinformar las directrices de salud pública.

Además, para los economistas de la salud y las agencias reguladoras como la Administración de Alimentos y Medicamentos de EE. UU. (FDA) y la Agencia Europea de Medicamentos (EMA), los resultados destacan los límites de confiar únicamente en la evidencia del mundo real (RWE) para la vigilancia poscomercialización de medicamentos o la ampliación de indicaciones. Si bien los datos del mundo real siguen siendo esenciales para captar poblaciones diversas fuera de los ensayos clínicos estructurados, las decisiones regulatorias requieren definiciones diagnósticas validadas que los grandes conjuntos de datos administrativos no proporcionan automáticamente.

## Contexto La aparición de la investigación con biobancos y el análisis de datos del mundo real durante las últimas dos décadas ha transformado la metodología epidemiológica. Históricamente, la investigación médica dependía de estudios de cohorte prospectivos, como el Framingham Heart Study iniciado en 1948 o el Nurses' Health Study lanzado en 1976. Estas cohortes clásicas inscribieron a miles de participantes y recopilaron mediciones físicas estandarizadas, muestras biológicas y cuestionarios detallados sobre el estilo de vida a intervalos regulares. Aunque son muy precisas, las cohortes prospectivas resultan costosas de mantener, tienen un tamaño de muestra limitado y tardan en ofrecer resultados para enfermedades raras.

Para hacer frente a estas limitaciones, las instituciones científicas globales establecieron biobancos a escala poblacional combinados con seguimiento de salud digital. Entre los ejemplos notables se incluye el UK Biobank, creado en 2006, que reclutó a 500.000 participantes adultos en todo el Reino Unido y vinculó sus perfiles genéticos con los registros electrónicos del National Health Service (NHS). En Estados Unidos, los National Institutes of Health lanzaron el All of Us Research Program en 2018 con el objetivo de inscribir a un millón o más de participantes diversos, mientras que el Department of Veterans Affairs creó el Million Veteran Program (MVP) en 2011 para analizar datos genéticos y clínicos de veteranos militares. En Europa, iniciativas como FinnGen en Finlandia han combinado datos genómicos con registros sanitarios de ámbito nacional de más de 500.000 personas.

Paralelamente, la adopción generalizada de registros médicos electrónicos impulsada por legislaciones como la HITECH Act de 2009 en Estados Unidos creó vastos repositorios de datos clínicos de rutina. Los investigadores desarrollaron algoritmos automatizados de fenotipado electrónico para convertir registros médicos complejos en clasificaciones estandarizadas de enfermedades utilizando sistemas de códigos como ICD-9, ICD-10 y SNOMED CT. Los estudios de asociación en todo el fenoma (PheWAS) surgieron como un método popular para examinar millones de historiales de pacientes en busca de vínculos genéticos con cientos de enfermedades simultáneamente.

Sin embargo, los epidemiólogos advierten desde hace tiempo de las diferencias estructurales fundamentales entre los biobancos con fines de investigación y los datos sanitarios administrativos. Los registros médicos electrónicos clínicos se generan principalmente para la atención al paciente y la facturación financiera, no para la investigación científica. En consecuencia, la introducción de datos está sujeta a incentivos de facturación, hábitos de documentación específicos de cada hospital, cambios diagnósticos y la falta de detalles clínicos cuando los pacientes reciben atención fuera de una red hospitalaria determinada.

## Reacciones Aunque las declaraciones institucionales formales tras la publicación del estudio siguen siendo limitadas, los hallazgos refuerzan debates de larga data entre informáticos científicos, epidemiólogos y directores de biobancos. Destacados investigadores cuantitativos han instado repetidamente a la cautela respecto a la confianza acrítica en bases de datos masivas de registros médicos electrónicos sin una validación prospectiva concurrente.

Se espera que epidemiólogos y biólogos computacionales respondan abogando por marcos de investigación híbridos que combinen la amplitud estadística de los registros médicos electrónicos a gran escala con la caracterización profunda y estandarizada que ofrecen los biobancos prospectivos. Se prevé que las instituciones académicas y los consorcios de investigación implicados en la armonización internacional de datos de salud utilicen estos resultados para exigir normas de fenotipado electrónico más rigurosas.

Además, los proveedores de análisis sanitarios y los desarrolladores biofarmacéuticos se enfrentan a una creciente presión por parte de revisores científicos e organismos reguladores para demostrar que sus modelos analíticos a gran escala tienen en cuenta la ausencia de datos y la clasificación diagnóstica errónea, en lugar de asumir que el tamaño de la población garantiza por sí solo la validez.

## Lo que aún no se sabe Varios detalles críticos sobre la metodología precisa y los hallazgos empíricos del estudio siguen sin aclararse en el resumen preliminar. Las afiliaciones institucionales concretas del equipo de investigación principal y la publicación específica revisada por pares no se detallaron en la información disponible.

Además, la información deja abierto qué categorías específicas de enfermedades mostraron las mayores tasas de discrepancia diagnóstica en comparación con los registros de biobancos de referencia. Actualmente se desconoce si las patologías metabólicas crónicas, como la diabetes tipo 2 y la hipertensión, mostraron una mayor alineación entre los registros médicos electrónicos y los datos de los biobancos que los trastornos neurológicos, autoinmunes o psiquiátricos complejos.

El informe tampoco especifica la composición geográfica precisa de la población de estudio de 1,9 millones de personas, ni aclara si los registros clínicos se obtuvieron de un único sistema de salud centralizado o se agregaron a partir de múltiples proveedores de atención médica independientes. Comprender estos parámetros demográficos y estructurales es esencial para determinar la amplitud de la aplicación de los hallazgos del estudio en diferentes arquitecturas sanitarias internacionales.

## Aspectos a seguir Los avances clave tras esta investigación se centrarán en las actualizaciones metodológicas en la ciencia de datos de salud y en la evolución de las normas regulatorias. Investigadores y científicos de datos estarán atentos a la publicación completa del estudio revisado por pares para evaluar sus modelos estadísticos específicos, las tasas de error y los algoritmos de fenotipado.

En el sector público, las autoridades sanitarias y las redes de investigación médica supervisarán las actualizaciones de los modelos de datos comunes desarrollados por organizaciones como la colaboración Observational Health Data Sciences and Informatics (OHDSI) y la Patient-Centered Outcomes Research Network (PCORnet). La adopción de protocolos estandarizados de fenotipado electrónico en estas redes servirá como prueba práctica de cómo responde la comunidad investigadora a los límites identificados en la calidad de los datos.

Los observadores también deberían seguir los próximos documentos de orientación regulatoria de la FDA y la EMA sobre las normas de presentación de evidencia del mundo real. El hecho de que los organismos reguladores impongan requisitos de validación más estrictos para los conjuntos de datos del mundo real utilizados en el seguimiento de la seguridad de los medicamentos y las solicitudes de ampliación de indicaciones será una métrica crucial del impacto político y normativo del estudio.

Este informe se basa en la cobertura informativa original publicada por News-Medical.net.