Extracción de datos
De PubMed a una tabla comparativa: extraer datos de PDFs científicos
Cómo pasar de una colección de artículos científicos a un dataset analizable: búsqueda en PubMed, acceso legal al texto completo, campos a extraer, trazabilidad y revisión humana.
01
El cuello de botella de una revisión
Una revisión sistemática o un análisis comparativo de fármacos empieza con decenas o cientos de artículos en PDF. Extraer a mano los resultados de cada uno (tamaño de muestra, dosis, desenlace principal, efectos adversos) es lento y propenso a errores de transcripción.
La extracción asistida por software convierte esa colección en una tabla con una fila por estudio y una columna por variable. Bien hecha, no elimina el criterio de los investigadores: lo concentra en revisar y decidir.
02
Paso 1: define la pregunta y las variables antes de extraer
Antes de tocar un PDF conviene fijar la pregunta y la lista cerrada de variables, igual que en un protocolo de revisión. Un esquema habitual para ensayos es PICO: población, intervención, comparador y desenlace (outcome).
Cada variable necesita una definición y un formato: «reducción de HbA1c» en puntos porcentuales o mmol/mol, «efectos adversos graves» como recuento y porcentaje. Sin ese esquema, las tablas de distintos estudios no son comparables.
03
Paso 2: encontrar los artículos y acceder al texto completo
PubMed indexa referencias y resúmenes y ofrece una interfaz de programación (E-utilities) para buscar de forma reproducible, guardando la consulta y la fecha. El texto completo no está siempre disponible: PubMed Central y Europe PMC alojan artículos de acceso abierto, y el resto depende de la licencia del editor.
Antes de procesar en bloque, hay que comprobar los términos de uso y de minería de textos de cada fuente. Trabajar solo con lo que se puede descargar y tratar legalmente forma parte del método, no es un detalle.
04
Paso 3: leer PDFs que no fueron pensados para máquinas
Un PDF es una página impresa, no una base de datos. Las tablas pueden estar partidas entre páginas, las cifras en figuras y las unidades en notas al pie. Por eso la extracción combina lectura de texto, reconocimiento de tablas y, en documentos escaneados, OCR.
Las cifras clave (medias, intervalos de confianza, valores de p) deben extraerse con su unidad y con el contexto que las define: grupo, momento de medida y población analizada.
05
Paso 4: trazabilidad y revisión humana
Cada valor de la tabla debería poder rastrearse hasta su origen: documento, página y fragmento de texto. Así un revisor comprueba un dato en segundos y puede corregirlo si el sistema se equivocó.
Las guías metodológicas de revisiones, como el Manual Cochrane, recomiendan que la extracción de datos la hagan dos personas de forma independiente. Con automatización, el equivalente razonable es que una persona verifique, como mínimo, los valores de baja confianza y una muestra del resto, y que quede registro de las correcciones.
06
Paso 5: del dataset al análisis
El resultado útil es un dataset limpio, documentado y exportable a Excel, CSV o base de datos, con un diccionario de variables que explique cada columna. A partir de ahí se pueden calcular tablas comparativas, gráficos de bosque o paneles de seguimiento.
Para comunicar la revisión, la declaración PRISMA 2020 ayuda a documentar cuántos estudios se identificaron, cuántos se excluyeron y por qué.
07
Límites que conviene asumir
La extracción automática no valora la calidad de un estudio ni sustituye al juicio clínico o estadístico. Los resultados presentados solo en figuras, los estudios mal descritos y los idiomas poco habituales requieren más revisión manual.
Y conviene tratar el dataset como una herramienta de apoyo a la investigación: las conclusiones clínicas las firman las personas que las revisan.
¿Quieres aplicarlo a tu caso?
Ver el servicio de extracción de datosContenido informativo: no constituye consejo médico ni asesoramiento regulatorio.