¿Está validada en español? Cómo evaluar una escala antes de usarla

«¿Esta escala está validada en español?» es la pregunta de pasillo que ningún sí o no contesta bien. El manual oficial de instrucciones del PHQ-9 y del GAD-7 lo reconoce: la mayoría de las traducciones son lingüísticamente válidas, pero pocas se han validado psicométricamente frente a una entrevista psiquiátrica estructurada independiente.

«Validada» no es un interruptor: es una escalera, y cada instrumento ocupa un peldaño distinto para cada población. La pregunta útil es validada para qué, contra qué y en quién. Esta guía enseña a responderla con un abstract enfrente: una escala sin validación local no es inservible, solo limita tus inferencias.

Traducir no es validar

El procedimiento canónico de adaptación transcultural —Beaton, Bombardier, Guillemin y Ferraz, en el documento metodológico del Institute for Work & Health— tiene seis etapas, de la traducción inicial al envío de la documentación, e incluye una retrotraducción y un comité de expertos que debe lograr cuatro equivalencias: semántica, idiomática, experiencial y conceptual. Las dos últimas fallan cuando un ítem redactado en Ohio se aplica en Oaxaca.

No necesitas correr ese proceso; necesitas reconocer cuándo un artículo solo lo hizo. El propio documento avisa que la adaptación busca equivalencia de contenido, lo cual sugiere que la consistencia interna, la validez y la fiabilidad podrían conservarse, pero no siempre es así; y que las pruebas psicométricas adicionales son recomendables, aunque no requeridas para aprobar la traducción. Una versión puede ser oficial sin que nadie haya medido nada con ella.

Lo más sorprendente es la retrotraducción, que tomamos por prueba de calidad. Las directrices internacionales de traducción y adaptación de tests, en su versión en español (Muñiz, Elosua y Hambleton, 2013), lo dicen sin rodeos: «en una mala traducción el grado de equivalencia entre la versión original y la versión retro-traducida puede ser muy alta». Si el abstract solo presume retrotraducción, tienes el peldaño uno.

La escalera de evidencia

Los peldaños van del más débil al más fuerte, con los nombres que la lista COSMIN da a cada propiedad de medición.

#	Peldaño	Qué dice el abstract	Te permite…
1	Traducción	«adaptación cultural», «retrotraducción»	aplicarla en español
2	Consistencia interna	«alfa», «omega»	suponer un total coherente en esa muestra
3	Estructura factorial	«AFC», «unifactorial», «CFI/RMSEA»	leer el total como una sola cosa
4	Invarianza de medición	«invarianza escalar», «DIF»	comparar grupos
5	Convergente y discriminante	«validez de constructo»	afirmar que mide el constructo, no a su vecino
6	Exactitud diagnóstica	«sensibilidad frente a entrevista estructurada»	usar un punto de corte
7	Sensibilidad al cambio	«detecta cambio en el tiempo»	leer una baja como mejoría

Una precisión: COSMIN establece que el estadístico de consistencia interna solo es interpretable cuando los ítems forman una escala unidimensional. El peldaño 3 va antes que el 2, aunque casi todos los artículos reporten el alfa primero.

El peldaño que casi nadie reporta

La invarianza de medición es lo que autoriza comparar grupos. Si las estructuras factoriales no son comparables entre grupos, la comparación de medias y correlaciones es inválida: no hay interpretación posible de una diferencia de medias sin una estructura común detrás. Se prueba por niveles: la configural exige que los mismos ítems carguen en el mismo factor latente; la métrica iguala las cargas; la escalar iguala además los interceptos, y es la que hace falta para comparar medias. Pocos estudios transculturales llegan a probar ese nivel.

Las directrices en español lo vuelven instrucción operativa: «Comparar las puntuaciones entre poblaciones únicamente en el nivel de invarianza establecida para la escala de puntuación utilizada en las comparaciones». Sin ese dato, contrastar tus pacientes hombres con tus pacientes mujeres, o tu muestra con una norma española, no es arriesgado: es no interpretable.

Por qué los puntos de corte no viajan

El error más caro es tratar un punto de corte como constante del instrumento. Un corte es una optimización hecha sobre una muestra, y los autores primarios suelen elegir cuál reportar: en el análisis de reporte selectivo de cortes de Levis y colegas (2017), cuando el instrumento resultaba poco sensible en el corte estándar tendían a publicar cortes más bajos que daban resultados óptimos, y cuando resultaba muy sensible, más altos.

Segundo: la sensibilidad y la especificidad no son atributos fijos del instrumento; dependen del corte y de la muestra en que se estimaron, y por eso la muestra de validación debe parecerse a quienes estás tamizando. Tercero, lo más útil: la prevalencia no mueve la sensibilidad ni la especificidad, pero sí mueve el valor predictivo positivo. En el mayor metaanálisis de datos individuales del PHQ-9 (58 estudios, 17,357 participantes), el mismo corte de 10 rinde valores muy distintos.

Prevalencia de depresión mayor	VPP con PHQ-9 ≥ 10, frente a entrevista semiestructurada
5 %	24 %
14 % (la de esos estudios)	49 %
25 %	66 %

Los autores lo escriben con todas sus letras: 51 % de los tamizajes positivos serían falsos positivos. No es un defecto del PHQ-9: es aritmética de tasa base. Falta un cuarto factor que casi nadie lee: contra qué se midió. Ahí mismo, la sensibilidad con entrevistas semiestructuradas fue de 5 a 22 puntos porcentuales mayor que con entrevistas totalmente estructuradas. «Sensibilidad de 90 %» no significa nada hasta saber contra qué.

El caso latinoamericano lo cierra: en 243 adultos de atención primaria en Bucaramanga, Colombia, con la MINI como criterio, el corte óptimo del PHQ-9 fue ≥ 7, no ≥ 10 (sensibilidad 90.38 %, especificidad 81.68 %). Advertencia que no vamos a suavizar: eso no te autoriza a mover tu punto de corte. Un corte se recalibra con un estudio, no con una corazonada. Cuando sospeches que no le queda a tu población, apóyate en la entrevista clínica y en el cambio intraindividual; la guía del PHQ-9 desarrolla ese punto.

Lo que el alfa no te dice

«Alfa de Cronbach cuánto es aceptable» casi siempre se contesta con un 0.70 sin fuente. Tres correcciones: un alfa alto no garantiza consistencia interna ni unidimensionalidad —está documentado que un test multidimensional no necesariamente tiene un alfa más bajo que uno unidimensional—; sube con el número de ítems, así que alargar el test lo infla y un valor demasiado alto puede señalar ítems redundantes, con un techo recomendado alrededor de 0.90; y pertenece a la muestra, no al instrumento, por lo cual no conviene apoyarse en alfas publicados. «α = 0.92 en Zaragoza» no es evidencia sobre tus pacientes en Monterrey.

Dónde buscar la evidencia tú mismo

Las bases en inglés indexan mal la literatura hispanohablante, y por eso mucha evidencia mexicana «no aparece». Las puertas verificadas:

SciELO México: hemeroteca de revistas mexicanas de todas las áreas, desarrollada desde 2004 por la Dirección General de Bibliotecas y Servicios Digitales de Información de la UNAM, dentro de la red regional SciELO de 17 países.
Redalyc, de la UAEM: 1,825 revistas y 770,337 documentos según sus contadores, 1,574 de ellas en español, con colecciones de Psicología y de Salud.
LILACS, vía el Portal Regional de la BVS y coordinada por BIREME/OPS/OMS: más de un millón de registros de más de 2,600 revistas de salud de América Latina y el Caribe, con tesis que ninguna base anglosajona recoge.
Salud Mental (Instituto Nacional de Psiquiatría Ramón de la Fuente Muñiz, bimestral desde 1977) y Salud Pública de México (INSP, bimestral y bilingüe), ambas espejadas en SciELO México, con el espejo de la segunda detenido en 2023. Cuidado con el dominio: al escribir esto, la dirección histórica revistasaludmental.mx ya no pertenece a la revista y sirve publicidad de casinos; el sitio vigente es revistasaludmental.gob.mx.

Con el abstract enfrente, seis preguntas:

¿Es una traducción o una validación?
¿En qué población y con qué tamaño de muestra?
¿Contra qué estándar de referencia: entrevista estructurada u otro cuestionario?
¿Reporta invarianza, o solo alfa?
¿Casos y controles emparejados —prevalencia artificial— o muestra consecutiva?
¿Esa muestra se parece a mis pacientes?

La tercera se responde en el método, no en los resultados.

El PHQ-9 en México, peldaño por peldaño

Peldaño 1. Hay versión oficial en español para México en el sitio del PHQ, de dominio público; dónde obtener legalmente cada instrumento está en la guía de licencias de instrumentos.
Peldaños 2 y 3. Cohorte de maestras mexicanas (55,555 participantes): estructura unifactorial, cargas de 0.71 a 0.90, alfa de 0.89.
Peldaño 3, con asterisco. En 357 pacientes oncológicos mexicanos el PHQ-9 salió con dos factores (alfa 0.837), y el GAD-7 con uno: la estructura no está garantizada ni dentro del mismo país.
Peldaño 4. En 768 adolescentes de San Luis Potosí se demostró invarianza por sexo hasta el nivel fuerte (escalar): ahí, comparar hombres y mujeres es defendible.
Peldaño 6. No localizamos un estudio mexicano de exactitud diagnóstica contra entrevista estructurada independiente. No decimos que no exista —la literatura gris y las tesis no están todas indexadas—: decimos que no lo encontramos. Uno reciente, en 272 hombres privados de la libertad, sí trazó curvas ROC, pero contra las escalas de la CIE-11 para atención primaria: otro autoinforme, no una entrevista. «Curva ROC» no equivale a exactitud diagnóstica.

En México, entonces, el PHQ-9 es sólido para severidad y monitoreo intraindividual, y creíble para comparar grupos en poblaciones específicas; sus cortes son prestados.

El GAD-7 da un retrato paralelo y más pobre: la evidencia mexicana más citada es de fiabilidad y estructura en 163 pacientes en asesoramiento genético oncológico, sin exactitud diagnóstica, y la «validación española» clásica usó casos y controles emparejados, con prevalencia de 50 % por construcción: el diseño que más infla el valor predictivo positivo.

Qué puedes hacer con una escala sin validación local

La falta de validación local limita las inferencias, no prohíbe medir. Con un instrumento que en tu población solo alcanza los peldaños 1 a 3, puedes:

Monitorear al mismo paciente contra sí mismo. Mismo instrumento, misma versión, mismas condiciones: la comparación es intraindividual y nada en la literatura de invarianza o de exactitud la invalida. Es el uso de mayor rendimiento clínico, y cómo medir el progreso desarrolla cadencia y umbrales.
Graduar severidad como dato descriptivo y estructurar la conversación clínica.

Y no puedes: diagnosticar con el puntaje, comparar grupos sin evidencia de invarianza, ni mover el corte por tu cuenta.

Un recordatorio final: si monitoreas con el PHQ-9, tarde o temprano habrá un ítem 9 positivo. Cualquier revelación de riesgo exige evaluación clínica inmediata conforme a tu protocolo y tu formación; este artículo no te dará ese protocolo, y desconfía de quien lo dé en un blog. En México, la Línea de la Vida atiende al 800 911 2000, gratuita, 24 horas, los 365 días del año, operada por la CONASAMA.

Del dato al expediente

Todo se pierde si la nota guarda solo un número. Registra el instrumento, la versión y el idioma, la fecha y el puntaje previo; en la nota SOAP eso vive en la O:

«PHQ-9 (versión oficial en español para México): 14 (sesión 3: 19). Dato de tamizaje y monitoreo, no diagnóstico; cortes derivados de muestras no mexicanas.»

Escribir «PHQ-9: 14, depresión moderada» y nada más es uno de los errores de documentación clínica indefendibles: convierte un tamizaje en una etiqueta.

Sostener ese registro con treinta pacientes es el trabajo real, y ahí ayuda la herramienta: gesell.ai incluye escalas validadas con calificación automática —el PHQ-9 y el GAD-7 entre ellas—, y el puntaje queda en el expediente estructurado del paciente, junto a los anteriores y listo para tu nota. Siempre como apoyo a una decisión que tú evalúas: la escala aporta el dato, con los límites descritos aquí; la lectura es tuya.