EpiSimple no está conectado a una IA

No le entregue a la IA una idea. Entréguele un contrato metodológico.

Esta página no llama a ChatGPT ni a otro modelo. Su función es darle prompts y restricciones que un clínico principiante no sabría formular: qué debe verificar, qué no puede inventar y qué salida debe producir.

Prompt architecture

Un prompt útil en investigación tiene cuatro capas.

I
INPUT

Qué recibe

Protocolo, diccionario, base anonimizada, outputs, journal instructions o manuscrito.

R
ROLE

Qué función cumple

Auditor metodológico, bioestadístico, editor, revisor o verificador.

C
CONSTRAINTS

Qué no puede hacer

No inventar datos, variables, referencias, resultados ni lenguaje causal no sustentado.

O
OUTPUT

Qué debe devolver

Estructura exacta, decisiones justificadas, warnings y checklist verificable.

Prompt packs

Copie el que corresponde a la etapa real del proyecto.

A · IDEA

Auditar una pregunta antes del protocolo

Úselo antes de pensar en análisis.

Actúa como epidemiólogo clínico senior. No propongas todavía análisis estadístico. Evalúa esta idea en este orden: 1) incertidumbre clínica real; 2) evidencia que debería revisarse para demostrar el gap; 3) tipo de pregunta; 4) población, exposición/intervención, comparador, outcome y horizonte temporal; 5) diseños capaces de responderla y qué no pueden prometer; 6) principal amenaza de sesgo. No inventes referencias. Si el gap no está demostrado, dilo explícitamente.
B · PROTOCOLO → BASE

Construir diccionario sin inflar variables

Úselo antes de crear Excel o REDCap.

Lee el protocolo completo antes de responder. Extrae únicamente variables necesarias para objetivos prespecificados. Para cada variable devuelve: nombre snake_case, rol (outcome/exposición/confusor/etc.), definición operacional, tipo, unidad, momento/ventana, fuente, valores permitidos y regla de missing. No agregues variables “por si acaso”. Señala cualquier variable cuyo momento ocurra después del outcome o pueda introducir leakage.
C · CSV → QC

Auditar datos antes de escribir R

Primero coherencia; después código.

Antes de proponer código R, audita el CSV contra el protocolo y diccionario. Devuelve: 1) unidad de análisis real; 2) duplicados; 3) variables faltantes; 4) discrepancias de nombres/tipos/unidades; 5) rangos imposibles; 6) problemas de time zero; 7) missing por variable; 8) variables derivadas necesarias y su fórmula; 9) si el outcome primario puede construirse sin ambigüedad. No renombres columnas sin mostrar un mapa explícito.
D · SAP → R

Obligar al código a obedecer la pregunta

Evita que el modelo “invente” el método mientras programa.

Usa como fuente primaria el protocolo y el diccionario. Antes del código, declara: estimando principal, población de análisis, outcome, exposición/intervención, comparador, time zero, confusores prespecificados, manejo de missing, sensibilidad y multiplicidad. Luego genera un script R modular: setup, import_qc, derive, primary_analysis, sensitivity_secondary y outputs. No selecciones covariables por p<0,05 univariado. Cada tabla/figura debe corresponder a un objetivo.
E · RESULTS

Redactar sin interpretar

Úselo solo con tablas y figuras finales.

Redacta Results en inglés académico usando únicamente cifras presentes en los outputs adjuntos. No expliques mecanismos, no uses lenguaje causal, no conviertas p>0,05 en “no difference”, no exageres significancia. Prioriza flujo de participantes, Table 1 solo cuando aporte, resultado primario con estimación e IC 95%, y secundarios esenciales. Verifica que cada número escrito exista exactamente en una tabla o figura.
F · SUBMISSION

Auditoría final como revisor metodológico

Último control antes de envío.

Audita este manuscrito como revisor metodológico. No reescribas primero. Devuelve una tabla con: problema, ubicación, por qué importa, riesgo editorial/científico y corrección mínima. Prioriza: coherencia pregunta-objetivo-diseño-análisis-conclusión; discrepancias de números; lenguaje causal; referencias que no sostienen la frase; siglas/terminología inconsistente; reporting guideline faltante; main vs supplement; referencias potencialmente inventadas o no verificadas.
Verificación humana

La IA termina donde empieza la responsabilidad científica.

Datos
Compare contra outputs, no contra texto generado.Denominadores, estimaciones, IC y p deben rastrearse a R o a la fuente original.
Referencias
Abra la fuente original.Confirme autores, año, DOI/PMID y que la referencia realmente sostenga la frase.
Lenguaje
Alinee intensidad con el diseño.Asociación no es causalidad; ausencia de evidencia no es evidencia de ausencia.
Privacidad: no cargue datos identificables de pacientes en herramientas no aprobadas por su institución. ICMJE mantiene a los autores humanos como responsables de exactitud, integridad, atribución y transparencia del uso de IA.15