Las figuras son el primer contacto del lector con los resultados de un estudio. Antes de leer el abstract, antes de revisar los métodos, el revisor de una revista y el asistente a un congreso miran las figuras. Sin embargo, la mayor parte de los investigadores biomdicos reciben escasa formación en visualización de datos y reproducen directamente los gráficos generados por el software estadístico sin preguntarse si comunican lo que realmente quieren decir. Esta píldora ofrece una estrategia práctica, respaldada por evidencia, para crear figuras que comunican con claridad en cualquier contexto: publicación científica, presentación oral, póster de congreso o plataforma digital.
1 Por qué las figuras importan más de lo que crees
Las figuras científicas tienen un papel desproporcionado en la comunicación de la investigación. Los lectores, incluidos revisores y editores de revistas, examinan las figuras antes de leer el texto principal, y a menudo deciden si continúan leyendo basándose en esa primera impresión. PubMed muestra miniaturas de todas las figuras del artículo justo debajo del resumen, lo que significa que una figura puede recibir visualizaciones de miles de profesionales que nunca lleguen a leer el texto completo. En redes sociales académicas y en X (antes Twitter), los artículos se comparten habitualmente acompañados de una sola figura representativa.
Pese a esta relevancia, la mayoría de las figuras en publicaciones biomédicas se generan directamente desde el output del software estadístico (R, SPSS, GraphPad Prism) con mínimos ajustes antes de la envío. El resultado son figuras técnicamente correctas pero que no han sido diseñadas para comunicar: colores por defecto que no distinguen adecuadamente entre grupos, ausencia de anotaciones sobre los datos clave, leyendas alejadas de los elementos que describen, y una acumulación de elementos decorativos que no aportan información.
📊 Cifras que ponen el problema en perspectiva
Un estudio publicado en PLOS Biology (Jambor et al., 2021) que analizó figuras en revistas líderes de biología celular y fisiología encontró que los investigadores reciben escasa o ninguna formación formal en diseño de figuras. Al mismo tiempo, editores y revisores señalan que las figuras y las tablas son uno de los primeros elementos que examinan al evaluar un manuscrito. Una revisión sistemática de 703 artículos en revistas de fisiología (Weissgerber et al., 2015) encontró que el 85,6% de los trabajos utilizaba gráficos de barras para presentar datos continuos, una práctica que puede ocultar distribuciones relevantes y llevar a conclusiones incorrectas.
El problema no es técnico sino conceptual: diseñar una figura eficaz requiere antes de nada decidir qué quieres que el lector entienda, y después construir la visualización que lo transmita de la manera más directa posible.
2 Paso 1: define el mensaje clave antes de abrir el software
El primer error en el diseño de figuras es empezar por el software. Antes de abrir R, GraphPad o Excel, conviene responder con una sola frase: ¿qué conclusión debe extraer el lector de esta figura? Si no puedes formularlo en una frase, la figura todavía no está lista para ser diseñada.
Un error común en la comunicación científica es que las figuras simplemente reproducen los resultados estadísticos en lugar de destacar el mensaje principal del análisis. Aunque los resultados son técnicamente correctos, presentarlos directamente no siempre hace que el mensaje central sea inmediatamente claro. Una figura eficaz enfatiza el resultado que el lector debe advertir primero, en lugar de mostrar todos los outputs del modelo.
💡 Ejemplo cardiológico: el forest plot de un metaanálisis
Imagina que estás publicando un metaanálisis sobre reducción de mortalidad con iSGLT2 en insuficiencia cardiaca. El mensaje que quieres transmitir es: "el beneficio es consistente en todos los subgrupos, incluidos los pacientes con fracción de eyección preservada". Si el forest plot muestra 20 subgrupos sin ninguna jerarquía visual, el lector tardará tiempo en llegar a esa conclusión. En cambio, si agrupas visualmente los subgrupos por categoría, destacas con negrita o color las filas de mayor relevancia clínica y añades una anotación textual directa sobre la figura, el mensaje se transmite en segundos.
La definición del mensaje clave también determina el tipo de gráfico más adecuado, el nivel de detalle necesario y el formato de los ejes. Es la decisión más importante del proceso de diseño, y es anterior a cualquier consideración estética.
3 Paso 2: adapta la figura al contexto de presentación
La misma figura no funciona igual en todos los contextos. El tiempo que un lector o espectador puede dedicar a interpretar una visualización, y la posibilidad de interacción con el autor, determinan cuánta complejidad puede admitir la figura. Fujii (2026, Nature Human Behaviour) propone una clasificación práctica en cuatro contextos principales:
| Contexto | Tiempo disponible | Interacción | Recomendación de diseño |
|---|---|---|---|
| Reunión de laboratorio / sesión clínica | Alto | Alta (discusión en tiempo real) | Pueden incluir detalles metodológicos, datos en bruto; las preguntas aclaran lo complejo |
| Presentación oral en congreso | Bajo (segundos) | Limitada | Un solo mensaje; anotaciones directas sobre los datos; sin leyendas separadas |
| Póster científico | Moderado | Moderada (el autor está presente) | Figura relativamente simple; detalles explicados verbalmente |
| Artículo publicado | Variable (el lector vuelve) | Ninguna | Puede ser más detallada; la estructura debe ser interpretable de forma autónoma |
Un error frecuente en presentaciones orales de congresos de cardiología es copiar directamente las figuras del artículo publicado a las diapositivas. Lo que funciona en el papel, donde el lector tiene tiempo y puede ampliar la imagen, falla en la pantalla de un auditorio, donde la audiencia dispone de pocos segundos antes de que el ponente pase a la siguiente diapositiva. Para presentaciones orales, la solución es simplificar radicalmente: una curva de supervivencia sin leyenda lateral (con las etiquetas de los grupos directamente sobre las curvas), destacar con una flecha o un recuadro el dato más relevante, y eliminar todo lo que no contribuya directamente al mensaje.
⚕️ Perla práctica: la regla de los tres segundos
Antes de dar por buena una figura para una presentación oral, aplica la regla de los tres segundos: muéstrasela a un colega durante ese tiempo y pregúntale qué conclusión extrae. Si la respuesta no coincide con tu mensaje clave, la figura necesita rediseño. Para artículos, amplía el tiempo a treinta segundos. Esta prueba sencilla es más eficaz que cualquier checklist formal.
Las plataformas digitales e interactivas, cada vez más frecuentes en portales de formación médica, permiten capas progresivas de información: una visión general simple en primer plano y detalles adicionales accesibles bajo demanda. Este formato puede acomodar conjuntos de datos complejos sin saturar al lector desde el primer momento.
4 Paso 3: elige el tipo de gráfico adecuado para cada tipo de dato
Diferentes tipos de gráficos enfatizan diferentes aspectos de los datos. La elección del tipo correcto puede mejorar enormemente la interpretabilidad de una figura, mientras que la elección equivocada puede ocultar información relevante o inducir conclusiones erróneas.
El problema con los gráficos de barras
Los gráficos de barras son, con diferencia, el tipo de figura más utilizado en la literatura biomédica para datos continuos. Sin embargo, Weissgerber et al. demostraron de forma contundente en 2015 que esta práctica es problemática: distribuciones de datos completamente distintas (incluidas algunas con valores atípicos extremos o distribuciones bimodales) pueden generar exactamente el mismo gráfico de barras con la misma media y el mismo intervalo de confianza. El lector no puede distinguirlas. Las alternativas recomendadas, el dot plot (gráfico de puntos individuales), el box plot y el violin plot, muestran la distribución real de los datos y permiten al revisor evaluar si los supuestos estadísticos son razonables.
⚠️ Precaución: el gráfico de barras puede engañar
Un gráfico de barras que muestra una diferencia estadísticamente significativa entre dos grupos podría estar ocultando que esa diferencia la genera un único valor atípico, o que la distribución es bimodal. Antes de publicar un gráfico de barras con datos continuos, pregúntate si un dot plot o un box plot transmitiría el mensaje con mayor honestidad. Muchas revistas de alto impacto, incluyendo Nature y PLOS Biology, animan activamente a los autores a sustituir los gráficos de barras por alternativas que muestran la distribución subyacente.
Tipos de gráfico y sus usos en cardiología
| Tipo de gráfico | Uso recomendado en cardiología | Cuándo evitarlo |
|---|---|---|
| Curva de Kaplan-Meier | Análisis de supervivencia, tiempo hasta el evento (muerte, hospitalización, FA), estudios de seguimiento largo | Cuando el período de seguimiento es muy corto o los eventos son muy frecuentes |
| Forest plot | Metaanálisis, análisis de subgrupos pre-especificados, comparación de estimaciones de efecto en ensayos | Cuando hay más de 20-25 subgrupos sin jerarquía visual clara |
| Dot plot / Box plot | Comparación de variables continuas entre grupos (biomarcadores, función ventricular, presiones), muestras pequeñas | Como sustitución rutinaria de barras cuando la n es muy grande y la distribución normal |
| Gráfico de dispersión (scatter plot) | Correlaciones entre variables (NTproBNP vs presión capilar, FEVI vs consumo de O2), validación de biomarcadores | Con más de 1.000 puntos sin densidad de color o transparencia (overplotting) |
| Puntos con IC (forest, hazard ratio) | Estimaciones puntuales con incertidumbre (HR, OR, RR), más preciso que barras para datos de razón de riesgo | Cuando el lector necesita el valor exacto (mejor tabla) |
| Mapa de calor (heatmap) | Comparación de múltiples variables en múltiples subgrupos, perfiles de expresión, matrices de correlación | Con paletas secuenciales cuando los datos son divergentes (riesgo de malinterpretación) |
💡 Sobre las curvas de Kaplan-Meier: buenas prácticas específicas
Las curvas KM son la figura más icónica de la cardiología. Para maximizar su legibilidad: (1) incluye la tabla de riesgos en riesgo (number at risk) directamente debajo de las curvas, no en una nota al pie; (2) etiqueta cada curva directamente al final de la línea, sin leyenda lateral; (3) muestra el valor p y el HR con IC95% directamente sobre la figura; (4) considera añadir bandas de confianza solo si son relevantes para el mensaje; (5) en presentaciones orales, simplifica a dos o tres curvas como máximo.
5 Paso 4: usa el color como herramienta, no como decoración
El color debe guiar la interpretación, no servir de ornamento. Una buena paleta de color en una figura científica cumple una función concreta: distinguir grupos (escala categórica), representar magnitudes en aumento (escala secuencial) o señalar desviaciones respecto a un punto de referencia (escala divergente). Seleccionar la escala adecuada para el tipo de dato mejora la claridad y reduce la ambigüedad.
El daltonismo en la audiencia científica
Aproximadamente el 8% de los varones y el 0,5% de las mujeres presentan algún tipo de deficiencia en la visión del color. La variante rojo-verde es la más prevalente, afectando al 95% de todos los casos. Un análisis reciente de figuras en revistas médicas de alto impacto encontró que el 80% de las láminas analizadas incumplía los criterios de accesibilidad de contraste o etiquetado, y que el 55% de las subfiguras era completamente inaccesible para personas con deuteranopia moderada o grave.
En la práctica, esto significa que una figura con curvas de supervivencia en rojo y verde, la combinación más habitual en los paquetes estadísticos por defecto, puede ser completamente ininterpretable para aproximadamente 1 de cada 12 varones de tu audiencia. La solución no requiere renunciar al color: basta con elegir paletas validadas para daltónicos (viridis, Okabe-Ito, paletas divergentes de ColorBrewer) y, cuando sea posible, combinar el color con forma, textura o etiqueta directa.
⚕️ Herramientas prácticas para verificar la accesibilidad cromática
Coblis (color-blindness.com) y DaltonLens permiten subir cualquier figura y simular cómo la perciben personas con los distintos tipos de daltonismo, sin necesidad de instalar software. Es un paso que añade menos de dos minutos al flujo de trabajo y puede marcar la diferencia entre una figura accesible y una que excluye a parte de tu audiencia. También es recomendable comprobar que las figuras son interpretables en escala de grises para impresión en blanco y negro.
Reglas prácticas para el uso del color en figuras biomédicas
- Limita el número de colores distintos a cinco o seis como máximo. Más colores aumentan la carga cognitiva y dificultan identificar el patrón principal.
- Para comparar solo dos grupos, un par de colores con buen contraste (azul oscuro vs. naranja, por ejemplo) es suficiente y más legible que una paleta de colores.
- Para representar una escala continua (por ejemplo, nivel de un biomarcador en un mapa de calor), usa una paleta secuencial, no una paleta de colores categórica.
- Cuando los datos tienen un punto neutro significativo (por ejemplo, cambio respecto a basal), usa una paleta divergente que destaque los extremos y enfatice el cero.
- Evita las combinaciones rojo-verde y rojo-marrón, que son las más afectadas por la deuteranopia.
6 Paso 5: reduce la carga cognitiva y el ruido visual
La carga cognitiva excesiva es uno de los obstáculos más frecuentes en la comprensión de figuras científicas. Se produce cuando la figura incluye demasiados paneles, líneas superpuestas, anotaciones densas o múltiples escalas de color simultáneas. Aunque cada elemento por separado pueda aportar información útil, el efecto acumulativo puede sobrecargar al lector y oscurecer el mensaje principal.
El principio del ratio datos-tinta de Tufte
Edward Tufte formuló el principio del ratio datos-tinta en su obra The Visual Display of Quantitative Information (1983, 2001): la proporción de tinta dedicada a representar datos reales debe ser la máxima posible, y todo elemento que pueda eliminarse sin pérdida de información debe eliminarse. En la práctica esto se traduce en suprimir cuadrículas decorativas, fondos de color que no aportan información, bordes dobles, sombreados tridimensionales y leyendas que duplican etiquetas ya presentes sobre la propia figura.
Este principio, aplicado a las figuras de cardiología, tiene consecuencias directas: una curva de Kaplan-Meier sin cuadrícula densa, con etiquetas de grupo directamente sobre las curvas y con tabla de riesgos en riesgo integrada es, en casi todos los casos, más legible que la versión generada por defecto por cualquier paquete estadístico.
💡 El etiquetado directo como alternativa a la leyenda
Cuando la leyenda está alejada de los elementos que describe, el lector debe desplazar repetidamente la mirada entre la leyenda y la figura para decodificar cada elemento. Colocar las etiquetas directamente junto a las líneas o los grupos elimina este esfuerzo y mejora significativamente la legibilidad. Esta técnica, conocida como direct labeling, es especialmente eficaz en figuras con dos a cinco grupos diferenciados. Para más grupos, una leyenda ordenada por el valor final (de mayor a menor) en el margen derecho de la figura sigue siendo más legible que una leyenda desconectada del gráfico.
Estrategias para reducir la complejidad visual
- Destaca la comparación más importante y simplifica los elementos secundarios.
- Limita el número de paneles por figura. Si necesitas más de cuatro paneles para transmitir un mensaje, considera si no estarías comunicando varios mensajes distintos que merecen figuras separadas.
- Elimina las cuadrículas de fondo o hazlas muy sutiles (gris claro). Solo son útiles cuando el lector necesita leer valores precisos del eje.
- Elimina los marcos completos alrededor del área de la figura. Dos ejes (x e y) suelen ser suficientes.
- Los datos numéricos que no pueden mostrarse claramente en la figura pueden trasladarse a tablas suplementarias de acceso público.
⚕️ El feedback externo como control de calidad
Los investigadores conocen sus datos tan bien que les resulta difícil detectar las fuentes de confusión en sus propias figuras. Compartir las figuras con colegas de distintas áreas antes de la envío puede revelar etiquetas ambiguas, complejidad innecesaria u oportunidades de representación más clara. Una figura que un internista sin experiencia en la materia específica no puede interpretar en treinta segundos probablemente tampoco la leerá con facilidad el revisor de la revista.
7 Paso 6: pregúntate si realmente necesitas una figura
La última táctica es también la más infravalorada: antes de diseñar una figura, pregúntate si el resultado requiere realmente una visualización. Las figuras son herramientas poderosas para revelar patrones, tendencias y relaciones que son difíciles de detectar solo con números. Pero no toda información se comunica mejor visualmente.
Cuándo usar una tabla en lugar de una figura
Las tablas son superiores para presentar valores numéricos precisos, características basales de los pacientes, listas de estimaciones de modelos de regresión o comparaciones exactas entre grupos. Si el lector necesita el dato exacto (la HR de 0,73 con IC95% 0,62-0,86 de un ensayo concreto), una tabla lo comunica con mayor precisión y sin ambigüedad que cualquier representación gráfica.
Las figuras, en cambio, destacan cuando hay que revelar patrones que son difíciles de detectar solo con números: distribuciones, correlaciones, tendencias temporales o comparaciones complejas entre subgrupos. Una curva de supervivencia dice en un instante lo que decenas de filas de datos no pueden transmitir: la separación de las curvas, el momento en que se produce, la estabilidad del beneficio en el tiempo.
⚠️ Sobre el uso de figuras generadas por inteligencia artificial
Las herramientas de IA generativa pueden producir figuras automáticamente, pero con frecuencia mapean los datos a una visualización de forma directa y mecánica, sin considerar el mensaje clave, la audiencia, el contexto o el tiempo disponible para el lector. Esto hace que la elección intencional del tipo de gráfico y de la paleta de color sea más importante que nunca. Usar IA para generar visualizaciones preliminares puede acelerar el flujo de trabajo, pero la decisión final sobre qué comunica la figura debe tomarla el investigador con criterio editorial.
Tablas y figuras no son formatos excluyentes. En muchos contextos, presentarlas de forma complementaria puede ofrecer tanto claridad como profundidad: la figura para capturar la tendencia, la tabla para proporcionar los valores exactos de referencia.
Resumen: los seis pasos para una figura científica efectiva
| Paso | Acción clave | Pregunta de verificación |
|---|---|---|
| 1. Mensaje clave | Define en una frase qué conclusión debe extraer el lector | ¿Puedo resumir el mensaje de esta figura en una oración? |
| 2. Contexto | Adapta la complejidad al tiempo y la interacción disponibles | ¿Dónde se va a ver esta figura y cuánto tiempo tendrá el espectador? |
| 3. Tipo de gráfico | Elige el tipo que mejor refleja la estructura de tus datos | ¿Este gráfico muestra la distribución real o la oculta? |
| 4. Color | Usa paletas accesibles para daltónicos; combina color con forma | ¿Es interpretable en escala de grises y para personas con daltonismo? |
| 5. Economía visual | Elimina todo elemento que no aporte información al mensaje | ¿Qué puedo eliminar sin que se pierda información relevante? |
| 6. ¿Figura o tabla? | Considera si una tabla comunica el resultado con más precisión | ¿El lector necesita el patrón o el número exacto? |
Preguntas frecuentes sobre diseño de figuras científicas
¿Cuál es el error más frecuente al diseñar figuras científicas?
El error más frecuente es no definir un mensaje clave antes de diseñar la figura. Los investigadores suelen trasladar directamente el output estadístico al gráfico sin preguntarse qué conclusión debe extraer el lector en primer lugar. El resultado es una figura técnicamente correcta pero que no comunica. La solución es invertir el proceso: primero decidir qué quieres que el lector entienda, y después construir la visualización que lo transmita con mayor claridad.
¿Por qué se desaconseja el uso de gráficos de barras en investigación biomédica?
Los gráficos de barras muestran únicamente la media y el error estándar, ocultando la distribución subyacente de los datos. Weissgerber et al. demostraron en PLOS Biology (2015) mediante una revisión sistemática de 703 artículos en revistas de fisiología que el 85,6% usaba barras para datos continuos, lo que es problemático porque distribuciones completamente distintas pueden generar exactamente el mismo gráfico. Las alternativas recomendadas son el dot plot, el box plot o el violin plot, que permiten al revisor evaluar la distribución real, los valores atípicos y el tamaño muestral.
¿Cómo debo adaptar una figura según si la presento en un congreso o la publico en una revista?
En un congreso oral el tiempo de visualización es de pocos segundos y la interacción es limitada. La figura debe transmitir un único mensaje, con anotaciones directas sobre los datos más relevantes y sin leyendas separadas que obliguen a buscar con la mirada. En una publicación escrita el lector puede volver a la figura varias veces y leerla a su propio ritmo, por lo que puede contener más información siempre que la estructura sea clara. Las figuras para póster admiten un nivel de detalle intermedio, ya que el autor puede explicar verbalmente los elementos complejos durante la presentación.
¿Qué es el ratio datos-tinta y cómo se aplica a las figuras médicas?
El ratio datos-tinta es un principio formulado por Edward Tufte que propone maximizar la proporción de elementos gráficos dedicados a representar datos reales y eliminar todo lo que no aporte información: cuadrículas decorativas, fondos de color, sombreados tridimensionales, bordes dobles. En la práctica, una curva de Kaplan-Meier sin fondo gris, con líneas en riesgo directamente integradas y sin cuadrícula densa es mucho más legible que la versión generada por defecto por la mayoría de paquetes estadísticos. Eliminar el ruido visual no simplifica el mensaje; lo amplifica.
¿Qué porcentaje de médicos tiene algún grado de daltonismo y cómo afecta a las figuras?
Aproximadamente el 8% de los varones y el 0,5% de las mujeres presentan algún tipo de deficiencia en la visión del color, siendo la variante rojo-verde la más prevalente. Un análisis reciente de figuras en revistas médicas líderes encontró que el 80% de las láminas analizadas incumplía los criterios de accesibilidad de contraste y etiquetado. Para evitar este problema se recomienda utilizar paletas validadas para daltónicos, combinar color con forma o textura, y comprobar las figuras con simuladores de visión cromática como Coblis o DaltonLens.
¿Cuándo es preferible una tabla a una figura en una publicación científica?
Las tablas son superiores cuando el objetivo es presentar valores numéricos precisos, características basales, resultados de modelos de regresión o comparaciones exactas entre grupos. Las figuras destacan cuando hay que revelar patrones difíciles de detectar solo con números: distribuciones, correlaciones, tendencias temporales o comparaciones complejas entre subgrupos. Una regla práctica: si el lector necesita el número exacto, usa una tabla; si necesita ver la forma o la tendencia, usa una figura. Ambos formatos son complementarios y no excluyentes.
El diseño de figuras científicas efectivas es una competencia metodológica tan relevante como el análisis estadístico. Definir el mensaje clave, adaptar la complejidad al contexto de presentación, elegir el tipo de gráfico adecuado para la estructura de los datos, utilizar paletas de color accesibles para personas con daltonismo, maximizar el ratio datos-tinta y preguntarse si una tabla comunica con más precisión que una figura son los seis pasos que articulan una estrategia práctica y basada en evidencia para la visualización de datos en investigación cardiovascular. Estas recomendaciones son aplicables tanto a publicaciones en revistas de cardiología como a comunicaciones en congresos de la SEC o la ESC, presentaciones de póster y plataformas de formación médica online.
Referencias
- Fujii R. How to design effective scientific figures. Nat Hum Behav. 2026. doi:10.1038/s41562-026-02466-9
- Weissgerber TL, Milic NM, Winham SJ, Garovic VD. Beyond bar and line graphs: time for a new data presentation paradigm. PLOS Biol. 2015;13(4):e1002128. doi:10.1371/journal.pbio.1002128
- Tufte ER. The Visual Display of Quantitative Information. 2nd ed. Cheshire, CT: Graphics Press; 2001.
- Jambor H, Antonietti A, Alicea B, et al. Creating clear and informative image-based figures for scientific publications. PLOS Biol. 2021;19(3):e3001161. doi:10.1371/journal.pbio.3001161
- Crameri F, Shephard GE, Heron PJ. The misuse of colour in science communication. Nat Commun. 2020;11:5444. doi:10.1038/s41467-020-19160-7
- Jambor HK. Ten simple rules for designing graphical abstracts. Nat Cell Biol. 2025;27:879–883. doi:10.1038/s41556-025-01611-6
- O'Donoghue SI et al. Visualization of biomedical data. Annu Rev Biomed Data Sci. 2018;1:275–304.
- Martin L, Bewry N, Ansel K, et al. Figure accessibility for readers with colour vision deficiency: analysis of leading medical journals. medRxiv. 2025. doi:10.64898/2025.12.11.25342084
Laura Calpe Berdiel
