Removing animal and nonhuman records in Ovid Embase: A comparison of 11 filters

Este estudio compara el rendimiento de once filtros en Ovid Embase para eliminar registros de animales y no humanos, concluyendo que su eficacia varía significativamente según el método y que la elección debe basarse en la discusión sobre si los estudios relevantes podrían incluir sujetos no humanos.

Lo esencial

¡Claro que sí! Imagina que este artículo es como una guía de supervivencia para los bibliotecarios digitales que buscan información médica. Aquí tienes la explicación, traducida al español y con un toque de creatividad:

🧠 La Gran Búsqueda: ¿Humanos o Animales?

Imagina que eres un detective médico (un "especialista en información") que necesita encontrar solo estudios sobre cómo curar enfermedades en humanos. Pero, tu oficina de investigación (la base de datos llamada Embase) es un inmenso almacén desordenado lleno de millones de archivos.

El problema es que en ese almacén hay:

1. Estudios sobre humanos (lo que quieres).
2. Estudios sobre ratones, perros y moscas (lo que no quieres, porque no sirven para curar a tu paciente humano).
3. Estudios extraños donde se mezclan humanos y animales (como perros que detectan cáncer).

Para limpiar el caos, los detectives usan filtros. Son como coladores o tamices mágicos que intentan dejar pasar solo lo humano y atrapar lo animal. Pero, aquí está el truco: nadie sabía realmente qué tan bien funcionaban estos coladores. Algunos podrían estar dejando pasar ratones disfrazados de humanos, o peor, podrían estar tirando a la basura estudios importantes sobre humanos porque el colador era demasiado estricto.

🔬 El Experimento: La Prueba de los 11 Coladores

Los autores de este estudio (Helen y Connor) decidieron poner a prueba 11 de estos coladores diferentes. Para hacerlo, hicieron lo siguiente:

1. Crearon una "piscina de prueba": Seleccionaron 3.000 documentos al azar.
2. Jugaron a clasificar: Dos personas leyeron los títulos y resúmenes de esos documentos y decidieron: "¡Este es humano, guárdalo!" o "¡Este es de un animal, tíralo!".
3. Pusieron a los coladores a trabajar: Aplicaron los 11 filtros diferentes a esa misma piscina de documentos para ver qué pasaba.

🏆 Los Resultados: ¿Quién ganó?

Al final de la prueba, descubrieron que no todos los coladores son iguales. Es como si tuvieras 11 tipos de redes de pesca diferentes:

• El Colador "Super Cuidadoso" (Método 11): Este fue el mejor para no perder nada importante. Atrajo a casi todos los documentos humanos (el 90,6%). Sin embargo, su desventaja es que a veces es tan "amable" que deja pasar algunos ratones que se colaron. Es como una red con agujeros muy grandes: atrapas a todos los peces, pero también a algunas algas.
• El Colador "Estricto" (Método 3): Este fue el mejor para eliminar a los animales. Si tu objetivo era limpiar el almacén de ratones, este era el rey (eliminó el 91,7% de los animales). Pero su lado oscuro es que, por ser tan estricto, a veces tiró a la basura documentos humanos que sí querías guardar. Es como una red de malla muy fina: atrapa todo lo que no es pez, pero también atrapa a los peces pequeños que querías salvar.
• Los demás: La mayoría de los otros coladores funcionaron "más o menos" igual, atrapando a la mayoría de los humanos pero dejando escapar a algunos animales, o viceversa.

🕵️‍♀️ El Misterio de los "Falsos Positivos"

Lo más interesante fue ver qué documentos humanos se tiraron por error. Resulta que los coladores más estrictos tendían a borrar documentos que parecían humanos pero que tenían una pequeña pista de animal en el título o resumen.

Por ejemplo, si un estudio decía "Perros detectores de cáncer en humanos", un colador muy estricto podría pensar: "¡Ah! Dice 'perros', ¡tíralo!". Pero ¡espera! Ese estudio es vital porque habla de cómo los perros ayudan a los humanos. El estudio nos dice que los filtros a veces son como guardias de seguridad que confunden una chaqueta de cuero con un uniforme de policía y te niegan la entrada.

💡 La Lección Principal: ¡Hablen antes de filtrar!

El mensaje final de este estudio es muy sencillo y crucial:

No uses un filtro a ciegas.

Antes de aplicar cualquier "colador" para limpiar tu búsqueda, el bibliotecario y el equipo médico deben tener una conversación:

• "¿Realmente queremos eliminar todo lo que tenga que ver con animales?"
• "¿Podría haber un estudio sobre perros que ayude a curar a humanos?"

Si la respuesta es "sí, necesitamos ver esos casos", entonces no uses el filtro más estricto (el que elimina todo). Usa el filtro más suave (como el Método 11) que deja pasar más información, aunque tenga que revisar un poco más de "basura" después.

En resumen

Este estudio es como una prueba de choque para las redes de pesca. Nos enseña que no existe un filtro perfecto. Cada uno tiene sus pros y sus contras. La clave no es buscar el filtro "mágico", sino entender qué tipo de "peces" (documentos) quieres atrapar y cuáles quieres dejar ir, y elegir la herramienta adecuada para esa misión específica.

La moraleja: Antes de tirar la basura, asegúrate de no estar tirando el tesoro. ¡Hablen, discutan y elijan con cuidado!

Resumen técnico

A continuación presento un resumen técnico detallado del artículo de investigación en español, estructurado según los puntos solicitados:

Título: Eliminación de registros animales y no humanos en Ovid Embase: una comparación de 11 filtros

1. Planteamiento del Problema

Las revisiones sistemáticas y síntesis de evidencia que se centran en poblaciones humanas a menudo requieren excluir registros sobre animales o no humanos, ya que estos estudios (como los preclínicos) suelen ser elegibles para su inclusión. En la base de datos Ovid Embase, se utilizan diversos filtros de búsqueda predefinidos para lograr esta exclusión. Sin embargo, el problema central identificado es que:

• Muchos de estos filtros carecen de datos de rendimiento validados (sensibilidad, especificidad).
• Existen múltiples enfoques de diseño (algunos usan solo encabezados de tema Emtree, otros combinan campos de título y resumen).
• No existe un consenso claro sobre qué filtro es el más adecuado, lo que genera riesgos de exclusión inadvertida de estudios relevantes para humanos o de inclusión de estudios animales no deseados.
• La indexación de los registros en Embase (automática vs. manual) y el uso de términos como "humano/" o "no humano/" pueden variar, afectando la eficacia de los filtros.

2. Metodología

El estudio fue de naturaleza exploratoria y comparativa, diseñado para evaluar el rendimiento de 11 filtros diferentes utilizados en Ovid Embase.

• Creación de la muestra de datos:
  • Se desarrollaron tres estrategias de búsqueda para generar tres conjuntos de datos: 1) Animales/no humanos, 2) Humanos, y 3) Una mezcla de ambos.
  • Se seleccionó una muestra aleatoria de 3,000 registros (500 eliminados y 500 retenidos por cada filtro en cada categoría).
  • Los registros se filtraron inicialmente para incluir revisiones sistemáticas y ensayos controlados aleatorizados (ECA).
• Proceso de cribado:
  • Dos revisores clasificaron independientemente los registros como "debe ser eliminado" o "debe ser retenido" basándose en el título y resumen.
  • Se definieron 7 categorías para analizar el contenido de los registros retenidos que fueron eliminados incorrectamente (ej. uso de participantes humanos, revisiones sobre condiciones humanas, etc.).
• Evaluación de los filtros:
  • Se aplicaron los 11 filtros (detallados en la Tabla 1 del artículo, que incluyen métodos de grupos como Cochrane, CRD, Canadá's Drug Agency, etc.) a los conjuntos de datos.
  • Se calcularon las métricas de rendimiento: Sensibilidad (capacidad de retener registros relevantes), Especificidad (capacidad de eliminar registros irrelevantes) y Precisión Global.
  • Se analizó el contenido de los registros eliminados incorrectamente para entender los sesgos de cada filtro.

3. Contribuciones Clave

• Comparación empírica: Es uno de los primeros estudios que proporciona datos cuantitativos sobre el rendimiento de 11 filtros distintos en Ovid Embase, llenando un vacío de evidencia sobre su validez.
• Análisis de diseño: Desglosa cómo las diferencias técnicas en el diseño de los filtros (uso de encabezados Emtree vs. texto libre, inclusión de campos de título/resumen) impactan directamente en sus resultados.
• Categorización de errores: Identifica sistemáticamente qué tipos de estudios relevantes (especialmente aquellos que involucran participantes humanos o datos humanos) son los más propensos a ser eliminados erróneamente.
• Guía para especialistas: Proporciona una base objetiva para que los especialistas en información y los equipos de revisión tomen decisiones informadas sobre qué filtro utilizar según sus necesidades específicas.

4. Resultados Principales

Los hallazgos mostraron variaciones significativas en el rendimiento entre los filtros:

• Sensibilidad (Retención de registros relevantes):

  • El Método 11 fue el más sensible, reteniendo correctamente el 90.6% de los registros que debían conservarse (en el conjunto de todos los datos).
  • El Método 10 también mostró alta sensibilidad (88.3%).
  • Los otros filtros oscilaron entre un 75.2% y un 78.9%.
  • Nota: Los métodos 10 y 11 son los únicos que no eliminan registros de "no humanos" (como bacterias o plantas) a menos que también sean animales, lo que explica su mayor sensibilidad.

• Especificidad (Eliminación de registros irrelevantes):

  • El Método 3 tuvo la mayor especificidad, eliminando correctamente el 71.5% de los registros que debían ser descartados.
  • Los métodos 10 y 11 tuvieron la especificidad más baja (49.9% y 41.2% respectivamente), lo que significa que dejan pasar más registros animales/no humanos que los otros filtros.

• Análisis de errores (Registros eliminados incorrectamente):

  • La categoría más afectada por la eliminación errónea fue "uso de participantes o datos humanos" (44.9% del total de errores).
  • Esto sugiere que muchos filtros son demasiado agresivos y eliminan estudios sobre humanos que no están indexados con el término específico "humano/" o que mencionan animales en un contexto secundario (ej. terapias asistidas por animales).

• Impacto del diseño:

  • Los filtros que utilizan títulos y resúmenes (como el Método 3) tienden a tener mayor especificidad pero menor sensibilidad, ya que pueden eliminar registros basados en frases como "se excluyeron estudios animales" en el resumen, incluso si el estudio es sobre humanos.
  • Los filtros basados puramente en encabezados Emtree (como el Método 11) son más sensibles pero menos específicos.

5. Significancia e Implicaciones

• Toma de decisiones informada: El estudio concluye que no existe un filtro "perfecto" universal. La elección depende del equilibrio que el equipo de revisión desee entre sensibilidad (no perder estudios humanos) y especificidad (no incluir estudios animales).
• Recomendación principal: Para la mayoría de las revisiones centradas en humanos, se recomienda el Método 11 debido a su alta sensibilidad, minimizando el riesgo de excluir estudios relevantes. Sin embargo, si la especificidad es crítica, el Método 3 podría considerarse, aunque con el riesgo de perder más estudios humanos.
• Advertencia sobre la indexación: Se destaca que el rendimiento de los filtros puede variar según el tipo de publicación (ej. resúmenes de conferencias, preimpresos) y el idioma, ya que estos a menudo reciben solo indexación automática y pueden carecer de los encabezados Emtree necesarios para que los filtros funcionen correctamente.
• Necesidad de diálogo: Se insta a que los especialistas en información y los equipos de revisión discutan explícitamente qué constituye un "registro animal" en el contexto de su revisión específica (ej. ¿incluye perros de detección de cáncer? ¿incluye terapias asistidas por animales?) antes de aplicar cualquier filtro.

En resumen, el artículo proporciona evidencia crucial para optimizar las estrategias de búsqueda en Embase, advirtiendo contra el uso ciego de filtros no validados y promoviendo una selección basada en el rendimiento medido y las necesidades específicas de la revisión.