El futuro de la estadística en la investigación científica: una revisión narrativa de las tendencias emergentes
DOI:
https://doi.org/10.66778/SI.v04n02.07Palabras clave:
investigación biomédica, inteligencia artificial, macrodatos, aprendizaje automáticoResumen
INTRODUCCIÓN: La rápida expansión del big data, la inteligencia artificial y la ciencia de datos ha modificado sustancialmente el rol de la estadística en la investigación científica. Tradicionalmente considerada el pilar metodológico del método científico, la estadística ha proporcionado las herramientas fundamentales para el diseño experimental, el análisis de datos y la inferencia de incertidumbre. Sin embargo, el desarrollo de técnicas computacionales avanzadas ha reconfigurado el panorama analítico, generando nuevas oportunidades y desafíos. EL OBJETIVO de este estudio es analizar las tendencias emergentes que redefinen el papel de la estadística en la investigación científica contemporánea. METODOLOGÍA: se adoptó un enfoque cualitativo basado en una revisión narrativa de la literatura científica publicada entre 2020 y 2025. Tras aplicar criterios de inclusión y exclusión en diversas bases de datos académicas, se seleccionaron 20 estudios relevantes para su análisis conceptual. LOS RESULTADOS identifican cuatro tendencias principales: 1) la transición hacia marcos metodológicos híbridos que integran la inferencia estadística con el aprendizaje automático; 2) la urgencia de desarrollar modelos predictivos interpretables; 3) el fortalecimiento de las prácticas de ciencia abierta para combatir la crisis de reproducibilidad; y 4) la transformación de la formación estadística hacia competencias computacionales. EN CONCLUSIÓN, la revisión sugiere que la estadística no está siendo desplazada, sino que evoluciona de manera interdisciplinar para continuar desempeñando un papel central en la validación de modelos, el manejo de la incertidumbre y la generación de conocimiento científico fiable.
Descargas
Referencias
1. Donoho D. Data science at the singularity. Harv Data Sci Rev. 2024;6(1). doi: https://doi.org/10.1162/99608f92.b91339ef
2. Wu H. Statistics evolution and revolution to meet data science challenges. Stat Biosci. 2025;17(3):813-831. doi: https://doi.org/10.1007/s12561-024-09454-5
3. He X, Lin X. Challenges and opportunities in statistics and data science: ten research areas. Harv Data Sci Rev. 2020;2(3). doi: https://doi.org/10.1162/99608f92.95388fcb
4. Yang S, Gamalo M, Fu H. Integrating RCTs, RWD, AI/ML and statistics: next-generation evidence synthesis [Internet]. 2025 [cited 2026 Mar 3]. Available from: http://arxiv.org/abs/2511.19735 doi: https://doi.org/10.48550/arXiv.2511.19735
5. Montero LML. Uso de la estadística en trabajos de investigación en la Universidad San Pedro [Internet]. 2022. Disponible en: https://dspace.ups.edu.ec/handle/123456789/11202
6. Hernández JA, Colom M. Reproducible research policies and software/data management in scientific computing journals: a survey, discussion, and perspectives. Front Comput Sci. 2025;6:1491823. doi: https://doi.org/10.3389/fcomp.2024.1491823
7. Kirch, C., Lahiri, S., Binder, H., Brannath, W., Cribben, I., Dette, H., Doebler, P., Feng, O., Gandy, A., Greven, S., Hammer, B., Harmeling, S., Hotz, T., Kauermann, G., Krause, J., Krempl, G., Nieto-Reyes, A., Okhrin, O., Ombao, H., … Lederer, J. (2025). Challenges and Opportunities for Statistics in the Era of Data Science. Harvard Data Science Review, 7(2). https://doi.org/10.1162/99608f92.abf14c9d
8. Min J, Song X, Zheng S, King CB, Deng X, Hong Y. Applied statistics in the era of artificial intelligence: a review and vision [Internet]. 2024 [cited 2026 Apr 10]. Available from: https://arxiv.org/abs/2412.10331 doi: https://doi.org/10.48550/arXiv.2412.10331
9. Torres-Gordillo VA. Inteligencia artificial y aprendizaje automático en la educación estadística. Rev. Educ. Estad. 2025;4(1):1-21. doi: https://doi.org/10.29035/redes.4.1.7
10. Allen GI, Gan L, Zheng L. Interpretable machine learning for discovery: statistical challenges and opportunities. Annu Rev Stat Its Appl. 2024;11(1):97-121. doi: https://doi.org/10.1146/annurev-statistics-040120-030919
11. Rudin C, Chen C, Chen Z, Huang H, Semenova L, Zhong C. Interpretable machine learning: fundamental principles and 10 grand challenges [Internet]. 2021 [cited 2026 Mar 6]. Available from: http://arxiv.org/abs/2103.11251 doi: https://doi.org/10.48550/arXiv.2103.11251
12. Linardatos P, Papastefanopoulos V, Kotsiantis S. Explainable AI: a review of machine learning interpretability methods. Entropy. 2020;23(1), 18. doi: https://doi.org/10.3390/e23010018
13. Tursunalieva A, Alexander DLJ, Dunne R, Li J, Riera L, Zhao Y. Making sense of machine learning: a review of interpretation techniques and their applications. Appl Sci. 2024;14(2), 496. doi: https://doi.org/10.3390/app14020496
14. Gelman A, Vehtari A, Simpson D, Margossian CC, Carpenter B, Yao Y, et al. Bayesian workflow [Internet]. 2020 [cited 2026 Mar 5]. Available from: http://arxiv.org/abs/2011.01808 doi: https://doi.org/10.48550/arXiv.2011.01808
15. Horton NJ, Hardin JS. Integrating computing in the statistics and data science curriculum: creative structures, novel skills and habits, and ways to teach computational thinking. J Stat Data Sci Educ. 2021;29(sup1):S1-S3. doi: https://doi.org/10.1080/10691898.2020.1870416
16. Barber RF, Candès EJ, Ramdas A, Tibshirani RJ. Predictive inference with the jackknife+. Ann Stat. 2021;49(1): 486-507. doi: https://doi.org/10.1214/20-AOS1965
17. Felice F, Ley C, Bordas SPA, Groll A. Boosting any learning algorithm with statistically enhanced learning. Sci Rep. 2025;15(1):1605. doi: https://doi.org/10.1038/s41598-024-84702-8
18. Benjamini Y, De Veaux R, Efron B, Evans S, Glickman M, Graubard B, et al. ASA President’s Task Force statement on statistical significance and replicability. Harv Data Sci Rev. 2021;3(3). doi: DOI:10.1162/99608f92.f0ad0287
19. Van Doorn J, van den Bergh D, Böhm U, et al. Bayesian alternatives to null hypothesis significance testing in biomedical research: a non-technical introduction to Bayesian inference with JASP. BMC Med Res Methodol. 2020; 20:142. doi: https://doi.org/10.1156/s12874-020-00980-6
20. Quatto P, Ripamonti E, Marasini D. Beyond p < .05: a critical review of new Bayesian proposals for assessing the p-value. J Biopharm Stat. 2022;32(2):308-329. doi: https://doi.org/10.1080/10543406.2021.2009497
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Revista Salud Integral
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
