Journal of Multidisciplinary Healthcare
open access to scientific and medical research
Open Access Full Text Article
Information bias in health research: definition,
pitfalls, and adjustment methods
Alaa Althubaiti
Department of Basic Medical Sciences,
College of Medicine, King Saud bin
Abdulaziz University for Health Sciences,
Riyadh, Saudi Arabia
Correspondence: Alaa Althubaiti
Department of Basic Medical Sciences,
College of Medicine, King Saud bin
Abdulaziz University for Health Sciences,
Mail Code: 3127, Riyadh 11481,
PO Box 3660, Saudi Arabia
Tel 966 1 1429 9999
Email thubaitia@ksau-hs.edu.sa
submit your manuscript | www.dovepress.com
Dovepress
http://dx.doi.org/10.2147/JMDH.S104807
Dovepress
R e v I ew
Abstract: Como en otros campos, las ciencias mdicas estn sujetas a diferentes fuentes de
sesgo. Si bien la comprensin de las fuentes de sesgo es un elemento clave para extraer
conclusiones vlidas, el sesgo en la investigacin en salud contina siendo un tema muy
sensible que puede afectar el enfoque y el resultado de las investigaciones. El sesgo de
informacin, tambin conocido como clasificacin errnea, es una de las fuentes ms
comunes de sesgo que afecta la validez de la investigacin en salud. Se origina del enfoque
que se utiliza para obtener o confirmar las mediciones del estudio. El objetivo de este trabajo
es aumentar la concienciacin sobre el sesgo de informacin en los diseos de estudios de
observacin y de investigacin experimental, as como enriquecer las discusiones sobre los
problemas de sesgo. Especificar los tipos de sesgo puede ser esencial para limitar sus efectos
y, el uso de mtodos de ajuste podra servir para mejorar la evaluacin clnica y la prctica de
la atencin de la salud.
Palabras claves: Sesgo de auto-reporte, sesgo de deseabilidad social, sesgo de recuerdo,
clasificacin errnea, sesgo de error de medicin, sesgo de confirmacin
Introduction
El sesgo puede definirse como cualquier error sistemtico en el diseo, la conducta o el
anlisis de un estudio. En los estudios de salud, el sesgo puede surgir de dos fuentes
diferentes; El enfoque adoptado para la seleccin de los sujetos para un estudio o el enfoque
adoptado para recolectar o medir los datos de un estudio. Estos son, respectivamente,
denominados como sesgo de seleccin y sesgo de informacin1. El sesgo puede tener
diferentes efectos sobre la validez de los hallazgos de la investigacin mdica. En los
estudios epidemiolgicos, el sesgo puede conducir a estimaciones inexactas de asociacin,
o sobre o subestimacin de los parmetros de riesgo. La asignacin de las fuentes de sesgo
y sus impactos sobre los resultados finales son elementos clave para sacar conclusiones
vlidas. El sesgo de informacin, tambin conocido como clasificacin errnea, es una de
las fuentes ms comunes de sesgo que afecta la validez de la investigacin en salud. Se
origina del enfoque que se utiliza para obtener o confirmar las mediciones del estudio. Estas
mediciones pueden obtenerse mediante experimentacin (por ejemplo, bioensayos) o
observacin (por ejemplo, cuestionarios o encuestas).
Los mdicos son conscientes del hecho de que los resultados de su investigacin pueden ser
considerados invlidos si no tienen en cuenta las principales fuentes de sesgo. Mientras que
varios estudios han discutido diferentes tipos de sesgo, 2-4 el problema de sesgo es todava
frecuentemente ignorado en la prctica. A menudo el sesgo se introduce involuntariamente
en un estudio realizado por investigadores, lo que dificulta su reconocimiento, pero tambin
puede introducirse intencionalmente. Por lo tanto, el sesgo sigue siendo un tema muy
sensible para abordar y discutir abiertamente. El objetivo de este trabajo es aumentar la
conciencia de tres formas especficas de sesgo de informacin en los diseos de estudios de
investigacin mdica experimental y observacional. Estos son sesgos de auto-reporte, y el
Journal of Multidisciplinary Healthcare 2016:9 211217 211
2016 Althubaiti. This work is published and licensed by Dove Medical Press Limited. The full terms of this license are available at https://www.dovepress.com/terms.php
and incorporate the Creative Commons Attribution Non Commercial (unported, v3.0) License (http://creativecommons.org/licenses/by-nc/3.0/). By accessing the work you
hereby accept the Terms. Non-commercial uses of the work are permitted without any further permission from Dove Medical Press Limited, provided the work is properly attributed. For permission
for commercial use of this work, please see paragraphs 4.2 and 5 of our Terms (https://www.dovepress.com/terms.php).
 Althubaiti
El sesgo de error de medicin a menudo marginado y el
sesgo de confirmacin. Presentamos estrategias claras y
sencillas para mejorar el proceso de toma de decisiones.
Como se ver, la especificacin del tipo de sesgo puede ser
esencial para limitar sus implicaciones. La seccin "Auto-
reporte sesgo" discute el problema del sesgo en los datos de
auto-reporte y presenta dos ejemplos de sesgo de auto-
reporte, sesgo de deseabilidad social y sesgo de recuerdo. La
seccin "Sesgo de error de medicin" describe el problema
del sesgo de error de medicin, mientras que la seccin
"Conflicto de confirmacin" discute el problema del sesgo
de confirmacin.
Self-reporting bias
La autoinforme es un enfoque comn para la recoleccin de
datos en investigacin epidemiolgica y mdica. Este
mtodo requiere que los participantes respondan a las
preguntas del investigador sin su interferencia. Ejemplos de
auto-reporte incluyen cuestionarios, encuestas o entrevistas.
Sin embargo, en comparacin con otras fuentes de
informacin, como los registros mdicos o las mediciones
de laboratorio, los datos autoinformados a menudo se
argumentan como poco fiables y amenazados por el sesgo
de autoinformes.
El tema del sesgo de auto-reporte representa un problema
clave en la evaluacin de los diseos de estudios de
investigacin ms observacionales (como transversales o
comparativos, por ejemplo, caso-control o cohorte), aunque
todava puede afectar estudios experimentales. Sin embargo,
cuando los datos de autoinforme se utilizan correctamente,
pueden ayudar a proporcionar una gama ms amplia de
respuestas que muchos otros instrumentos de recoleccin de
datos.5 Por ejemplo, los datos de autoinforme pueden ser
valiosos para obtener las perspectivas, opiniones y
opiniones de los sujetos.
Hay una serie de aspectos de sesgo que acompaan a los
datos autoinformados y estos deben tenerse en cuenta
durante las primeras etapas del estudio, particularmente al
disear el instrumento de auto-reporte. El sesgo puede surgir
de la deseabilidad social, el perodo de recuerdo, el mtodo
de muestreo o el retiro selectivo. Aqu, se discuten dos
ejemplos de sesgo de auto-reporte: deseabilidad social y
sesgo de recuerdo.
Social desirability bias
Cuando los investigadores usan una encuesta, un
cuestionario o una entrevista para recolectar datos, en la
prctica, las preguntas pueden referirse a temas privados o
delicados, como el auto informe de la ingesta diettica, el uso
de drogas, los ingresos y la violencia. Por lo tanto, los datos
de auto-reporte pueden verse afectados por un sesgo externo
causado por la deseabilidad o aprobacin social,
especialmente en los casos en que el anonimato y la
confidencialidad no pueden ser garantizados en el momento
de la recoleccin de datos. Por ejemplo, al determinar el uso
de drogas entre una muestra de individuos, los resultados
podran subestimar el uso exacto. El sesgo en este caso se
puede denominar sesgo de deseabilidad social.
212 submit your manuscript | www.dovepress.com
Dovepress
Dovepress
Overcoming social desirability bias
La principal estrategia para prevenir el sesgo de deseabilidad
social es validar el instrumento de auto-reporte antes de
implementarlo para la recopilacin de datos.6-11 Tal
validacin puede ser interna o externa. En la validacin
interna, las respuestas recogidas del instrumento de
autoinforme se comparan con otros mtodos de recopilacin
de datos, como las mediciones de laboratorio. Sin embargo,
cuando las mediciones de laboratorio no estn disponibles o
no es posible analizar las muestras en un laboratorio por
razones tales como el costo Y el tiempo, la validacin externa
se utiliza a menudo. Existen diferentes mtodos, incluyendo
chequeos de historiales mdicos o informes de familiares o
amigos para examinar externamente la validez del
instrumento de autoinforme.12,15
Tenga en cuenta que varios factores deben tenerse en cuenta
en el diseo y la planificacin de los estudios de validacin, y
en algunos casos, esto puede ser muy difcil. Por ejemplo, las
caractersticas de la muestra inscrita en el estudio de
validacin deben investigarse cuidadosamente. Es importante
tener una seleccin aleatoria de individuos para que los
resultados de la validacin puedan generalizarse a cualquier
grupo de participantes. Cuando el mtodo de muestreo no es
aleatorio y subjetivo, los resultados del estudio de validacin
slo pueden aplicarse al mismo grupo de individuos y las
diferencias entre los resultados de los estudios de validacin
y los instrumentos de autoinforme no pueden utilizarse para
ajustar las diferencias en ningn grupo De individuos12,16.
Por lo tanto, al elegir un instrumento de auto-reporte
prediseado y validado, se debe obtener informacin sobre el
grupo de participantes en el proceso de validacin. Esta
informacin debe proporcionarse como parte del trabajo de
investigacin y si no es as, se necesita una comunicacin
adicional con los autores de la obra para obtenerlos. Por
ejemplo, si el objetivo del estudio es examinar el consumo de
drogas entre la poblacin general sin antecedentes
especficos, debera utilizarse un instrumento de auto-reporte
que haya sido validado en una muestra de la poblacin con
caractersticas generales. Adems, la combinacin de ms de
una tcnica de validacin o el uso de mltiples fuentes de
datos puede aumentar la validez de los resultados.
Adems, deben identificarse los posibles efectos de la
deseabilidad social sobre los resultados del estudio durante la
fase de diseo del mtodo de recoleccin de datos. Por lo
tanto, las escalas de medicin como la Escala de Deseabilidad
Social Marlowe-Crowne17 o la Puntuacin de Motivacin de
Aprobacin de Martin-Larsen18 seran tiles para identificar
y medir el aspecto de deseabilidad social de la informacin
auto informada.
Journal of Multidisciplinary Healthcare 2016:9
 Dovepress
Recall bias
Ocasionalmente, los participantes del estudio pueden
proporcionar errneamente respuestas que dependen de
su habilidad para recordar eventos pasados. El sesgo en
este caso puede denominarse bias de memoria, ya que es
un resultado del error de memoria. Este tipo de sesgo
ocurre a menudo en los diseos de estudio de casos o
controles retrospectivos, en los que se requiere que los
participantes evalen las variables de exposicin
retrospectivamente utilizando un mtodo de auto-reporte,
como cuestionarios autoadministrados19-21.
Si bien los problemas planteados por el sesgo de recuerdo
son nada menos que los causados por la deseabilidad
social, el sesgo de recuerdo es ms comn en la
investigacin epidemiolgica y mdica. El efecto del
sesgo de recuerdo se ha investigado ampliamente en la
literatura, con especial nfasis en los mtodos de encuesta
para medir la ingesta alimentaria o alimentaria.22-25 Si
no se le da la debida consideracin, puede subestimar o
sobrestimar el verdadero efecto o asociacin. Por
ejemplo, un error de memoria en una encuesta diettica
puede dar como resultado una subestimacin de la
asociacin entre la ingesta diettica y el riesgo de
enfermedad.24
Overcoming recall bias
Para superar el sesgo de recuerdo, es importante reconocer
casos en los que es ms probable que se produzcan errores
de memoria. Se encontr que el sesgo de recuerdo estaba
relacionado con una serie de factores, incluyendo la duracin
del perodo de recuperacin (es decir, tiempos cortos o
largos de evaluacin clnica), las caractersticas de la
enfermedad bajo investigacin (por ejemplo, aguda, crnica)
Por ejemplo, la edad, la accesibilidad) y el diseo del estudio
(por ejemplo, duracin del estudio) .26-30 Por ejemplo, en
un estudio de casos y controles, los casos son ms propensos
a recordar la exposicin a factores de riesgo que los
controles sanos. Como tal, la exposicin verdadera podra
ser subnotificada en los controles sanos e informada en
exceso en los casos. El tamao de la diferencia entre las tasas
observadas de exposicin a los factores de riesgo en los
casos y controles se inflar, por consiguiente, y, a su vez, el
odds ratio observado tambin aumentara.
Muchas soluciones han demostrado ser tiles para
minimizar y, en algunos casos, eliminar el sesgo de
recuerdo. Por ejemplo, para seleccionar el perodo de
recuerdo apropiado, todos los factores antes mencionados
deben considerarse en relacin con el sesgo de memoria. La
literatura anterior mostr que un corto perodo de recuerdo
es preferible a un largo, particularmente cuando se pregunta
a los participantes sobre eventos rutinarios o frecuentes.
Adems, el perodo de retiro puede ser estratificado de
acuerdo con la demografa de los participantes y la
frecuencia de los eventos que experimentaron. Por ejemplo,
cuando se espera que los participantes tengan una serie de
eventos para recordar, se les puede pedir que describan un
perodo ms corto que aquellos que tendran menos eventos
para recordar. Otros mtodos para facilitar el recuerdo del
Journal of Multidisciplinary Healthcare 2016:9
Information bias in health research
participante incluyen el uso de ayudas de memoria, diarios y
entrevistas a los participantes antes de iniciar el estudio.31
Sin embargo, cuando no es posible eliminar errores de
memoria, es importante obtener informacin sobre las
caractersticas de error y la distribucin. Dicha informacin
puede obtenerse de estudios previos o piloto y es til cuando se
ajustan los anlisis posteriores y se elige un enfoque estadstico
adecuado para el anlisis de datos. Debe tenerse en cuenta que
existen diferencias fundamentales entre los enfoques
estadsticos para realizar ajustes que abordan supuestos
diferentes sobre los errores.22,32-36 Al realizar un estudio
piloto para examinar las propiedades de error, un alto nivel de
precisin y una planificacin cuidadosa , Ya que la validacin
depende en gran medida de las pruebas biolgicas o de las
mediciones de laboratorio que, adems de ser costosas de
realizar, suelen estar sujetas a errores de medicin. Por ejemplo,
en un estudio de validacin para estimar la ingesta de sodio
utilizando un mtodo de excrecin urinaria de 24 horas, la
ingesta estimada de sodio tendi a ser inferior a la cantidad
verdadera.25 A pesar de estas deficiencias potenciales, el uso de
pruebas biolgicas o de laboratorio es uno de Los enfoques ms
crebles para validar los datos autoinformados. Ms
informacin sobre errores de medicin se proporciona en la
siguiente seccin.
Es importante sealar que superar el sesgo de recuerdo puede
ser difcil en la prctica. En particular, el sesgo a menudo
acompaa los resultados de los estudios de casos y controles.
Por lo tanto, se pueden realizar estudios de casos y controles
para generar una hiptesis de investigacin, pero no para
evaluar los pronsticos o los efectos del tratamiento. Por ltimo,
se necesita ms investigacin para evaluar el impacto del sesgo
de recuerdo. Deben llevarse a cabo estudios para evaluar los
acuerdos entre las respuestas de los instrumentos de
autoinforme y las fuentes de datos estndar. Estos estudios
pueden proporcionar a los investigadores mdicos informacin
sobre la validez del instrumento de autoinforme antes de
utilizarlo en un estudio o para una enfermedad bajo
investigacin. Tambin se pueden identificar otros factores
demogrficos asociados con el sesgo de recuerdo. Por ejemplo,
se encontr un alto grado de concordancia entre los
cuestionarios autoinformados y los diagnsticos de
enfermedades mdicas como la diabetes, la hipertensin, el
infarto de miocardio y los accidentes cerebrovasculares, pero no
la insuficiencia cardaca37.
Measurement error bias
La inexactitud del dispositivo, las condiciones ambientales
en el laboratorio o las mediciones autoinformadas son
fuentes de errores. Si se producen estos errores, las
mediciones observadas difieren de los valores reales, y esto
se denomina a menudo error de medicin, error instrumental,
imprecisin de medicin o sesgo de medicin. Estos errores
se encuentran en tanto observacionales (tales como estudios
de cohortes) y experimentales (tales como
submit your manuscript | www.dovepress.com
213
Dovepress
 Althubaiti
Como pruebas de laboratorio) diseos de estudio. Por
ejemplo, en un estudio observacional de la enfermedad
cardiovascular, las mediciones de los niveles de colesterol
en la sangre (como factor de riesgo) a menudo incluan
errores.
Un anlisis que ignora el efecto del error de medicin en los
resultados puede ser referido como un anlisis ingenuo.22
Los resultados obtenidos mediante el anlisis ingenuo
pueden ser potencialmente sesgados y engaosos. Tales
resultados pueden incluir estimadores inconsistentes (o
sesgados) y / o ineficientes de los parmetros de regresin,
lo que puede dar inferencias deficiente sobre los intervalos
de confianza y la hiptesis de los parmetros.22,34
Sin embargo, el muestreo aleatorio no debe confundirse con
la variabilidad del error de medicin. Los mtodos
estadsticos comnmente utilizados pueden abordar la
variabilidad del muestreo durante el anlisis de los datos,
pero no tienen en cuenta la incertidumbre debida al error de
medicin.
El sesgo de error de medicin raramente ha sido discutido o
ajustado en la literatura de investigacin mdica, excepto en
el campo de la medicina forense, donde los toxiclogos
forenses tienen indudablemente la comprensin ms terica
del sesgo de medicin, ya que es particularmente relevante
para su tipo de investigacin. Tambin se han informado
ejemplos conocidos de sesgo de error de medicin para
anlisis de contenido de alcohol en sangre.38,39
Systematic and random error
Los errores podran ocurrir de manera aleatoria o
sistemtica. Cuando los errores son sistemticos, las
mediciones observadas se desvan de los valores verdaderos
de una manera consistente, es decir, son consistentemente
ms altos o ms bajos que los valores verdaderos. Por
ejemplo, un dispositivo podra ser calibrado incorrectamente
y restar una cierta cantidad de cada medicin. Al no
contabilizar esta desviacin en la medicin, los resultados
contendrn errores sistemticos y en este caso, las
mediciones verdaderas estaran subestimadas.
En el caso de errores aleatorios, la desviacin de los valores
observados de los valores reales no es consistente,
provocando que los errores se produzcan de manera
impredecible. Tales errores seguirn una distribucin, en el
caso ms simple una distribucin gaussiana (tambin
llamada normal o en forma de campana), y tendrn una
media y una desviacin estndar. Cuando la media es cero,
el valor medido debe ser reportado dentro de un intervalo
alrededor de cero y una cantidad estimada de desviacin del
valor real. Cuando se indica que el valor objetivo cae dentro
de un intervalo o intervalo de niveles mnimos y mximos,
el tamao del intervalo depende principalmente del tamao
de los errores de medicin, es decir, cuanto mayores son los
errores, mayor es la incertidumbre y, Ms amplios los
intervalos, lo que podra afectar el nivel de precisin.
Los errores aleatorios tambin podran ser proporcionales a
la cantidad medida. En este caso, los errores se pueden
denominar errores multiplicativos o no gaussianos.36 Estos
errores aleatorios se producen debido a factores
experimentales incontrolables y posiblemente desconocidos,
como las condiciones ambientales del laboratorio que
214 submit your manuscript | www.dovepress.com
Dovepress
Dovepress
afectan las concentraciones en experimentos biolgicos.
Ejemplos de errores no gaussianos se pueden encontrar en
las mediciones del alcohol en el aliento, en las que la
variabilidad alrededor de la medida aumenta con el aumento
de las concentraciones de alcohol40-42.
Adjusting for measurement error bias
El tipo y la distribucin de los errores de medicin
determinan el tipo de mtodo de ajuste.34 Cuando los
errores son sistemticos, los mtodos de calibracin pueden
utilizarse para reducir sus efectos sobre los resultados. Estos
mtodos se basan en una medicin de referencia que puede
obtenerse de un estudio previo o piloto y que se utiliza
como la cantidad correcta para calibrar las mediciones del
estudio. Como tales, las herramientas matemticas simples
se pueden utilizar si los errores son estimados. Los mtodos
de ajuste para errores sistemticos son ms simples de
aplicar que los de errores aleatorios.
Se han realizado esfuerzos significativos para desarrollar
enfoques estadsticos sofisticados que ajusten el efecto de
los errores de medicin aleatorios.34 Paquetes de software
estadstico comnmente disponibles y populares, tales como
el Paquete de Software R (http: // www.r-project.org ) Y
Stata (Stata Corporation, College Station, TX, EUA)
incluyen caractersticas que permiten realizar ajustes para
errores de medicin aleatorios. Algunos de los mtodos de
ajuste de sesgo incluyen simulacin-extrapolacin,
calibracin de regresin y el enfoque de variable
instrumental.34 Para seleccionar el mejor enfoque de ajuste,
el conocimiento de las propiedades de error es esencial. Por
ejemplo, la cantidad de desviacin estndar y la forma de la
distribucin de errores deben identificarse mediante un
estudio previo o piloto. Por lo tanto, se recomienda la
evaluacin de la tcnica de medicin para identificar las
propiedades de error antes de iniciar el procedimiento de
medicin real. Las propiedades de error tambin deben
identificarse para los errores de medicin de la encuesta, en
los que se pueden utilizar mtodos para examinar la
fiabilidad y la validez de la encuesta, tales como los
controles de prueba y de registro.
Un enfoque ms sencillo utilizado por los profesionales para
minimizar los errores en los estudios epidemiolgicos es la
replicacin; En este mtodo, se dispone de repeticiones del
factor de riesgo (por ejemplo, nutrientes promedio a largo
plazo) y se calcula la media de estos valores y se utiliza para
presentar un valor aproximado con respecto al valor real.43
Estas repeticiones tambin se pueden utilizar para estimar
La varianza del error de medicin y aplicar un enfoque
estadstico ajustado.
Confirmation bias
Poner nfasis en una hiptesis porque no contradice
las creencias del investigador se denomina sesgo de
confirmacin, tambin conocido como confirmativo,
determinacin u observador
Journal of Multidisciplinary Healthcare 2016:9
 Dovepress Information bias in health research

parcialidad. El sesgo de confirmacin es un tipo de sesgo confirmacin. El cegamiento puede involucrar participante,
psicolgico en el que se toma una decisin de acuerdo con clnico de tratamiento, reclutador y / o asesor.
las preconcepciones, creencias o preferencias del sujeto. Tal Adems, debe alentarse a los investigadores a que evalen
sesgo es el resultado de errores humanos, incluyendo objetivamente las pruebas, teniendo en cuenta las pruebas
imprecisin e ideas errneas. En la medicina, el sesgo de contradictorias y modifiquen las perspectivas a travs de
confirmacin es una de las principales razones de los errores programas especficos de educacin y capacitacin 53,54, sin
diagnsticos y puede causar un diagnstico inexacto y una sobrecorreccin o cambio en la toma de decisiones del
gestin inadecuada del tratamiento.45-47 investigador55.
Es importante comprender cmo los resultados de una Sin embargo, el problema con las sugerencias anteriores es
investigacin mdica se ven afectados por el sesgo de que se vuelven ineficaces si no se toman en cuenta factores
confirmacin. Muchos estudios han demostrado que especficos de sesgo. Por ejemplo, los investigadores pueden
cualquier aspecto de la investigacin que requiera juicio llegar a conclusiones con prisa debido a la presin externa
humano est sujeto a un sesgo de confirmacin, 48-50, que para obtener resultados, lo cual puede ser particularmente
tambin influy en los criterios de inclusin y exclusin de cierto en ensayos clnicos altamente sensibles. El sesgo en
los diseos de estudios de ensayos controlados aleatorios.51 estos casos es un tema muy sensible, ya que podra afectar la
Hay muchos ejemplos de sesgo de confirmacin en la validez de la investigacin. Sin embargo, podemos evitar la
Literatura mdica, algunos de los cuales son incluso posibilidad de tal sesgo desarrollando y siguiendo protocolos
ilustrados en la correspondencia de ADN.16 de estudio bien diseados.
Finalmente, para superar el sesgo de confirmacin y mejorar
Overcoming confirmation bias la confiabilidad de las investigaciones, es importante aceptar
Los investigadores han demostrado que no tomar en cuenta que el sesgo es una parte de las investigaciones. La
el sesgo de confirmacin podra afectar la fiabilidad de la cuantificacin de este sesgo inevitable y sus fuentes
investigacin. Varios estudios en la literatura tambin potenciales debe ser parte de conclusiones bien desarrolladas.
sugieren una serie de enfoques para hacer frente a este tipo Conclusion
de sesgo. Un enfoque que se utiliza a menudo es llevar a El sesgo en la investigacin epidemiolgica y mdica es un
cabo mltiples e independientes controles de los temas de problema importante. Entender los posibles tipos de sesgo y
estudio en diferentes laboratorios o mediante la consulta con cmo afectan las conclusiones de la investigacin es importante
otros investigadores que pueden tener opiniones diferentes. para asegurar la validez de los hallazgos. En este trabajo se
A travs de este enfoque, los cientficos pueden buscar discutieron algunos de los tipos ms comunes de sesgo de
retroalimentacin y confirmacin independientes.52 El uso
informacin, a saber, sesgo de autoinformes, sesgo de error de
de procedimientos de cegamiento o enmascaramiento, ya
medicin y sesgo de confirmacin. Tambin se presentaron
sea simple o doble ciego, es importante para mejorar la
enfoques para superar los prejuicios mediante el uso de mtodos
confiabilidad de las investigaciones cientficas. Estos
de ajuste. En la Tabla 1 se presenta un resumen de los tipos de
enfoques han demostrado ser muy tiles en ensayos
estudio con mtodos comunes de recopilacin de datos, tipo de
clnicos, ya que protegen conclusiones finales de sesgo de
sesgo de informacin y estrategias de ajuste o prevencin.

Table 1 Type of study designs, common data collection methods, type of bias, and adjusting strategies
Study design Data collection method
Observational Self-administered questionnaire,
surveys, or interviews
Observational/experimental Laboratory tests
Clinical examination/diagnostic
tests
Type of bias Overcoming strategy
Social desirability Conduct internal or external validation study
Apply MarloweCrowne Social Desirability Scale
or MartinLarsen Approval Motivation score
Recall Use memory aids or diaries
Interview a subsample of participants prior to
initiating the study (validated subsample)
Systematic errors Conduct calibration study
Random errors Apply statistical adjusting method (eg, simulation
extrapolation, regression calibration, Bayesian
approaches)
Replicate measurements
Confirmation Make multiple and independent checks
Introduce training and education programs

Journal of Multidisciplinary Healthcare 2016:9 submit your manuscript | www.dovepress.com

215
Dovepress
 Althubaiti
En este trabajo se discutieron algunos de los tipos ms
comunes de sesgo de informacin, a saber, sesgo de
autoinformes, sesgo de error de medicin y sesgo de
confirmacin. Tambin se presentaron enfoques para superar
los prejuicios mediante el uso de mtodos de ajuste. En la tabla
1 se presenta un resumen de los tipos de estudio con mtodos
comunes de recoleccin de datos, tipo de sesgo de informacin
y estrategias de ajuste o prevencin. El marco descrito en este
trabajo proporciona a epidemilogos e investigadores mdicos
herramientas tiles para manejar el sesgo de informacin en sus
investigaciones cientficas. Tambin se describieron las
consecuencias de ignorar este sesgo sobre la validez de los
resultados.
El sesgo no suele explicarse en la prctica. A pesar de que
existen una serie de mtodos de ajuste y prevencin para
mitigar el sesgo, aplicarlos puede ser bastante difcil debido al
tiempo y recursos limitados. Por ejemplo, las propiedades de
sesgo de error de medicin pueden ser difciles de detectar,
particularmente si hay una falta de informacin sobre el
instrumento de medicin. Tal informacin puede ser tediosa
para obtener, ya que requiere el uso de estudios de validacin
y, como se mencion anteriormente, estos estudios pueden ser
caros y requieren una cuidadosa planificacin y gestin.
Aunque realizar el anlisis habitual e ignorar el sesgo de error
de medicin puede ser tentador, los investigadores siempre
deben seguir la prctica de informar cualquier evidencia de
sesgo en sus resultados.
Con el fin de minimizar o eliminar el sesgo, una planificacin
cuidadosa es necesaria en cada paso del diseo de la
investigacin. Por ejemplo, se deben seguir varias reglas y
procedimientos al disear instrumentos de auto-reporte. La
capacitacin de los entrevistadores es importante para
minimizar este tipo de sesgo. Por otra parte, el efecto del error
de medicin puede ser difcil de eliminar, ya que los
dispositivos de medicin y los algoritmos son a menudo
imperfectos. Una regla general es revisar el nivel de precisin
del instrumento de medida antes de utilizarlo para la
recoleccin de datos. Tales ajustes deben reducir en gran
medida cualquier defecto posible. Finalmente, el sesgo de
confirmacin puede ser eliminado de los resultados si los
investigadores tienen en cuenta diferentes factores que pueden
afectar el juicio humano.
Los investigadores deben estar familiarizados con las fuentes
de sesgo en sus resultados, y se necesita un esfuerzo adicional
para minimizar la posibilidad y los efectos del sesgo. El
aumento de la conciencia de las posibles deficiencias y los
escollos de la toma de decisiones que pueden resultar en sesgo
debe comenzar en el nivel de pregrado mdico y los estudiantes
deben ser provistos con ejemplos para demostrar cmo sesgo
puede ocurrir. Adems, es necesario ajustar el sesgo o
cualquier deficiencia en el anlisis cuando no se puede evitar el
sesgo. Por ltimo, al presentar los resultados de un estudio de
investigacin mdica, es importante reconocer y reconocer
cualquier posible fuente de sesgo.
Disclosure
The author reports no conflicts of interest in this work.
References
1. Hennekens CH, Buring JE. Epidemiology in Medicine. Boston: Little,
Brown, and Company; 1987.
2. Gerhard T. Bias: considerations for research practice. Am J Health Syst
Pharm. 2008;65(22):21592168.
216 submit your manuscript | www.dovepress.com
Dovepress
Dovepress
3. Pannucci CJ, Wilkins EG. Identifying and avoiding bias in research.
Plast Reconstr Surg. 2010;126(2):619625.
4. Choi BCK, Pak AWP. Bias, Overview. Chichester, UK: John Wiley and
Sons, Ltd; 2005.
5. Zhu K, McKnight B, Stergachis A, Daling JR, Levine RS. Comparison
of self-report data and medical records data: results from a case-control
study on prostate cancer. Int J Epidemiol. 1999;28(3):409417.
6. Magura S, Kang SY. Validity of self-reported drug use in high risk
populations: a meta-analytical review. Subst Use Misuse. 1996;31(9):
11311153.
7. Harrison L. The validity of self-reported drug use in survey research: an
overview and critique of research methods. In: Harrison L, Hughes A,
editors. The Validity of Self-Reported Drug Use: Improving the Accuracy
of Survey Estimates NIDA Research Monograph no 167. Rockville, MD;
1997:1736.
8. Darke S. Self-report among injecting drug users: a review. Drug Alcohol
Depend. 1998;51(3):253263.
9. Brener ND, Billy JOG, Grady WR. Assessment of factors affecting
the validity of self-reported health-risk behavior among adolescents:
evidence from the scientific literature. J Adolesc Health. 2003;33(6):
436457.
10. Mills JF, Loza W, Kroner DG. Predictive validity despite social
desirability: evidence for the robustness of self-report among offenders.
Crim Behav Ment Health. 2006;13(2):140150.
11. van de Mortel TF. Faking it: social desirability response bias in self-
report research. Aust J Adv Nurs. 2008;25(4):4048.
12. Harrison LD, Hughes A, National Institute on Drug Abuse, National
Institutes of Health (U.S.). The Validity of Self-Reported Drug Use:
Improving the Accuracy of Survey Estimates. Rockville, MD: U.S.
Department of Health and Human Service, National Institutes of
Health, National Institute on Drug Abuse, Division of Epidemiology
and Prevention Research; 1997.
13. Schtz H, Gotta JC, Erdmann F, Risse M, Weiler G. Simultaneous
screening and detection of drugs in small blood samples and bloodstains.
Forensic Sci Int. 2002;126(3):191196.
14. Ledgerwood DM, Goldberger BA, Risk NK, Lewis CE, Kato Price R. Com-
parison between self-report and hair analysis of illicit drug use in a commu-
nity sample of middle-aged men. Addict Behav. 2008;33(9):11311139.
15. Stephens R. The truthfulness of addict respondents in research projects.
Int J Addict. 1972;7(3):549558.
16. Kassin SM, Dror IE, Kukucka J. The forensic confirmation bias:
Problems, perspectives, and proposed solutions. J Appl Res Mem Cogn.
2013;2(1):4252.
17. Crowne DP, Marlowe D. A new scale of social desirability independent
of psychopathology. J Consult Psychol. 1960;24:349354.
18. Paulhus DL. Measurement and control of response bias. In: Robinson JP,
Shaver PR, Wrightsman LS, editors. Measures of Personality and Social
Psychological Attitudes. San Diego, CA: Academic Press; 1991.
19. Holmberg L, Ohlander EM, Byers T, et al. A search for recall bias
in a case-control study of diet and breast cancer. Int J Epidemiol.
1996;25(2):235244.
20. Neugebauer R, Ng S. Differential recall as a source of bias in epide-
miologic research. J Clin Epidemiol. 1990;43(12):13371341.
21. Kip KE, Cohen F, Cole SR, et al; Herpetic Eye Disease Study Group.
Recall bias in a prospective cohort study of acute time-varying expo-
sures: example from the herpetic eye disease study. J Clin Epidemiol.
2001;54(5):482487.
22. Fuller WA. Measurement Error Models. New York: John Wiley and
Sons, Inc; 1987.
23. Nusser SM, Fuller WA, Guenther PM. Estimating usual dietary intake
distributions: adjusting for measurement error and nonnormality in
24-hour food intake data. In: Lyberg L, Biemer P, Collins M, De Leeuw E,
Dippo C, Schwarz N, Trewin D, editors. Survey Measurement and Process
Quality. Hoboken, NJ: John Wiley and Sons, Inc; 1997.
24. Paeratakul S, Popkin BM, Kohlmeier L, Hertz-Picciotto I, Guo X,
Edwards LJ. Measurement error in dietary data: implications for the
epidemiologic study of the diet-disease relationship. Eur J Clin Nutr.
1998;52(10):722727.
Journal of Multidisciplinary Healthcare 2016:9
Dovepress
25. Ribi CH, Zakotnik JM, Vertnik L, Vegnuti M, Cappuccio FP. Salt intake
of the Slovene population assessed by 24 h urinary sodium excretion.
Public Health Nutr. 2010;13(11):18031809.
26. Bryant HE, Visser N, Love EJ. Records, recall loss, and recall bias
in pregnancy: a comparison of interview and medical records data
of pregnant and postnatal women. Am J Public Health. 1989;79(1):
7880.
27. Feldman Y, Koren G, Mattice D, Shear H, Pellegrini E, MacLeod SM.
Determinants of recall and recall bias in studying drug and chemical
exposure in pregnancy. Teratology. 1989;40(1):3745.
28. Coughlin SS. Recall bias in epidemiologic studies. J Clin Epidemiol.
1990;43(1):8791.
29. Weinstock MA, Colditz GA, Willett WC, Stampfer MJ, Rosner B,
Speizer FE. Recall (report) bias and reliability in the retrospective assess-
ment of melanoma risk. Am J Epidemiol. 1991;133(3):240245.
30. Paganini-Hill A, Chao A. Accuracy of recall of hip fracture, heart attack,
and cancer: a comparison of postal survey data and medical records.
Am J Epidemiol. 1993;138(2):101106.
31. Biemer PP, Groves RM, Lyberg LE, Mathiowetz NA, Sudman S.
Measurement Errors in Surveys. Hoboken, NJ: John Wiley and Sons,
Inc; 1991.
32. Carroll RJ, Freedman LS, Kipnis V. Measurement error and dietary
intake. Adv Exp Med Biol. 1998;445:139145.
33. Thomson CA, Giuliano A, Rock CL, et al. Measuring dietary change in
a diet intervention trial: comparing food frequency questionnaire and
dietary recalls. Am J Epidemiol. 2003;157(8):754762.
34. Carroll RJ, Ruppert D, Stefanski LA, Crainiceanu CM. Measurement
Error in Nonlinear Models. 2nd ed. New York: Chapman and Hall;
2006.
35. Althubaiti A, Donev AN. Mixture experiments with mixing errors.
J Stat Plan Infer. 2011;141(2):692700.
36. Althubaiti A, Donev A. Non-Gaussian Berkson errors in bioassay. Stat
Methods Med Res. 2016;25(1):430445.
37. Okura Y, Urban LH, Mahoney DW, Jacobsen SJ, Rodeheffer RJ.
Agreement between self-report questionnaires and medical record
data was substantial for diabetes, hypertension, myocardial infarction
and stroke but not for heart failure. J Clin Epidemiol. 2004;57(10):
10961103.
38. Gullberg RG. Estimating the measurement uncertainty in forensic blood
alcohol analysis. J Anal Toxicol. 2012;36(3):153161.
39. Moroni R, Blomstedt P, Wilhelm L, Reinikainen T, Sippola E,
Corander J. Statistical modelling of measurement errors in gas
chromatographic analyses of blood alcohol content. Forensic Sci Int.
2010;202(13):7174.
Journal of Multidisciplinary Healthcare
Publish your work in this journal
La Revista de Salud Multidisciplinaria es una revista internacional de
acceso abierto revisada por pares que tiene como objetivo representar y
publicar la investigacin en reas de salud entregadas por
profesionales de diferentes disciplinas. Esto incluye estudios y
revisiones llevadas a cabo por equipos multidisciplinarios, as como
investigaciones que evalan los resultados o la conducta de tales
equipos o
Submit your manuscript here: http://www.dovepress.com/journal-of-multidisciplinary-healthcare-journal
Journal of Multidisciplinary Healthcare 2016:9
Information bias in health research
40. Dror IE, Charlton D. Why experts make errors. J Forensic Ident. 2006;
56(4):600616.
41. Gullberg RG. Estimating the measurement uncertainty in forensic
breath-alcohol analysis. Accred Qual Assur. 2006;11(11):562568.
42. Dror I, Rosenthal R. Meta-analytically quantifying the reliability and
biasability of forensic experts. J Forensic Sci. 2008;53(4):900903.
43. Carroll RJ. Measurement error in epidemiologic studies. In: Armitage P,
Colton T, editors. Encyclopedia of Biostatistics. New York: John Wiley
and Sons; 1998:24912519.
44. Nickerson RS. Confirmation bias: A ubiquitous phenomenon in many
guises. Rev Gen Psychol. 1998;2(2):175220.
45. Berner ES, Graber ML. Overconfidence as a cause of diagnostic error
in medicine. Am J Med. 2008;121(5 Suppl):S2S23.
46. Croskerry P. The importance of cognitive errors in diagnosis and strate-
gies to minimize them. Acad Med. 2003;78(8):775780.
47. Reid MC, Lachs MS, Feinstein AR. Use of methodological standards
in diagnostic test research. JAMA. 1995;274(8):645651.
48. Hill C, Memon A, McGeorge P. The role of confirmation bias in
suspect interviews: A systematic evaluation. Legal Criminal Psych.
2010;13(2):357371.
49. Butt L. The forensic confirmation bias: problems, perspectives, and
proposed solutions Commentary by a forensic examiner. J Appl Res
Mem Cogn. 2013;2(1):5960.
50. Nakhaeizadeh S, Dror IE, Morgan RM. Cognitive bias in forensic
anthropology: Visual assessment of skeletal remains is susceptible to
confirmation bias. Sci Justice. 2014;54(3):208214.
51. Goodyear-Smith FA, van Driel ML, Arroll B, Del Mar C. Analysis
of decisions made in meta-analyses of depression screening and the
risk of confirmation bias: a case study. BMC Med Res Methodol.
2012;12:76.
52. Budowle B, Bottrell MC, Bunch SG. A perspective on errors, bias,
and interpretation in the forensic sciences and direction for continuing
advancement. J Forensic Sci. 2009;54(4):798809.
53. Rassin E. Individual differences in the susceptibility to confirmation
bias. Neth J Psychol. 2008;64(2):8793.
54. Powell MB, Hughes-Scholes CH, Sharman SJ. Skill in interview-
ing reduces confirmation bias. J Investig Psych Offender Profil.
2012;9(2):126134.
55. Dror IE, Busemeyer JR, Basola B. Decision making under time pressure:
an independent test of sequential sampling models. Mem Cognit.
1999;27(4):713725.
Dovepress
los procesos sanitarios en general. La revista abarca una amplia gama de reas
y da la bienvenida a las presentaciones de los profesionales de todos los
niveles, de todo el mundo. El sistema de gestin de manuscritos est
completamente en lnea e incluye un sistema de revisin por pares muy rpido
y justo. Visite http: //www.dove-press.com/testimonials.php para leer citas
reales de autores publicados.
submit your manuscript | www.dovepress.com
217
Dovepress
Althubaiti Dovepress

218 submit your manuscript | www.dovepress.com

Journal of Multidisciplinary Healthcare 2016:9
Dovepress