El método de Harvard que ‘prueba’ que todo causa cáncer

El estudio de Harvard que quiso asociar la energía nuclear con el cáncer

En febrero de 2026, un equipo liderado por Yazan Alwadi y el profesor Petros Koutrakis publicó en Nature Communications un estudio que sacudió el debate energético estadounidense: estimaba que 115.586 muertes por cáncer entre 2000 y 2018 —unas 6.400 al año— eran atribuibles a vivir cerca de una central nuclear. La cifra, recogida por la propia Harvard T.H. Chan School of Public Health en su comunicado oficial, se convirtió en un argumento recurrente en la discusión sobre el resurgimiento de la energía nuclear para alimentar centros de datos de IA.

No era un estudio cualquiera. Venía avalado por una de las escuelas de salud pública más prestigiosas del mundo, y los autores ya tenían un paper previo en Environmental Health (diciembre de 2025) sobre Massachusetts, además de publicaciones en el Journal of Exposure Science & Environmental Epidemiology y en la revista europea Environmental Epidemiology. La pregunta es legítima: ¿hay un riesgo para las comunidades que viven cerca de las 94 plantas nucleares operativas en EE.UU.? El problema, según una réplica publicada en Breakthrough Journal, no está en la pregunta, sino en cómo se respondió.

Qué encontró exactamente la réplica de Breakthrough Journal

El autor del artículo en Breakthrough Journal, junto con el físico nuclear Adam Stein, no se limitó a discrepar: pidió el código a los autores, replicó la metodología desde primeros principios, y luego la aplicó a cualquier otra cosa. Los resultados son los que dan título a la nota — y deberían preocupar a cualquiera que use datos para tomar decisiones.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

Aplicando la misma metodología de «proximidad continua» de los estudios de Harvard, la réplica atribuye:

2,2 millones de muertes por cáncer a las tiendas Costco (más del 20% del total entre 2000 y 2018).
1,59 millones a universidades privadas de cuatro años, de las cuales 111.003 corresponden solo a Harvard.
895.258 a sitios Superfund, 626.212 a universidades públicas y 132.389 a capitales estatales.
944.769 a campos de la MLB, 50.889 a canchas de la MLS, 471.794 a arenas de la NBA, 418.520 a estadios de la NFL, 126.751 a pistas de la NHL y 79.278 a circuitos de NASCAR.

Según la nota, sumando todos esos «lugares» se atribuye más del 75% de las muertes por cáncer del país en ese período. Si el método funciona, todo lo causa. Y eso, señalan los autores de la réplica, es la señal inequívoca de que el método no funciona.

Por qué el método produce resultados absurdos

La metodología original de Alwadi y Koutrakis construye un «puntaje de proximidad» para cada condado o código postal: vive más cerca de la planta = puntaje más alto; vive dentro del radio de varias = efecto acumulado. Ese puntaje alimenta una regresión que produce un Riesgo Relativo, y de ahí una Fracción Atribuible que se traduce en número de muertes.

Según el comunicado de Harvard, el radio usado en el estudio nacional es de 200 km (unas 125 millas), con datos del CDC sobre mortalidad por cáncer y de la EIA sobre ubicación de plantas. El problema, según la réplica, es que ese círculo de 48.519 millas cuadradas —el tamaño de Misisipi— es demasiado grande para hablar de exposición real. Los estudios que sí miden exposición por distancia en plantas nucleares suelen trabajar con radios de menos de 10 km, alrededor de 113 millas cuadradas.

Y aquí viene el dato que más incomoda: según datos de la industria nuclear, los propios trabajadores de las plantas —los más expuestos— reciben dosis anuales entre cero y el 2% del límite ocupacional. Si alguien a metros del reactor no acumula dosis medible, ¿cómo la acumularía alguien a 5, 10, 50 o 200 km? La respuesta honesta de los autores de Harvard —recogida en el perfil publicado por la Harvard Kenneth C. Griffin Graduate School of Arts and Sciences— es que su estudio es ecológico, muestra asociación, y no puede establecer causalidad. La réplica lleva esa advertencia a su consecuencia lógica: cualquier método que siempre da positivo, incluso con resultados aleatorios, no está midiendo lo que dice medir.

Por qué importa la diferencia entre asociación y causalidad

El propio Alwadi, en una entrevista con la oficina de graduados de Harvard, lo explicó con claridad: «Aunque son diseños ecológicos que no establecen causalidad y es muy difícil inferirla a partir de su evidencia, los resultados sistemáticos y la consistencia son exactamente lo que esperarías encontrar si existiera un efecto causal real». Es una posición honesta desde el punto de vista académico —pero también una invitación a que un titular agarre la primera parte y olvide la segunda.

Aquí está el verdadero problema: nuclear genera energía mediante radiación, y la radiación causa cáncer; por lo tanto, la nuclear causa cáncer. La lógica parece impecable. Pero es un ejemplo clásico de cómo la mente humana construye narrativas compelling a partir de premisas incompletas. La radiación que importa para el cáncer es la ionizante de alta dosis; las dosis que un residente recibe por operar una central moderna son, en la práctica, indistinguibles del fondo natural.

Esto no significa que la energía nuclear sea un tema cerrado —hay debates abiertos sobre residuos, accidentes y almacenamiento— pero sí que un estudio ecológico con proximidad geográfica no es la herramienta adecuada para cuantificar el riesgo.

Qué significa esto para tu startup

Más allá del debate energético, la historia deja un manual práctico para cualquier founder que tome decisiones con datos:

Mira el método antes que el titular. Si un estudio dice que X causa Y, pregúntate cómo midió X. «Proximidad» no es lo mismo que «exposición». En tu producto, equivales «visitas a la landing» con «compras» y tu funnel se rompe.
Exige un mecanismo causal, no solo correlación. Que dos variables se muevan juntas no significa que una cause la otra. Antes de cambiar tu pricing, modelo de atribución o proceso de ventas, pide la historia causal completa: ¿qué variable empuja a cuál?
Haz un test placebo. Si tu nueva metodología de forecasting dice que venderás más en diciembre, prueba aplicarla a meses donde ya conoces el resultado. Si también predice «más» allí donde sabes que no, el método está roto. La réplica con Costco y estadios de béisbol es, literalmente, un placebo aplicado a un paper.
Cuidado con la narrativa inversa. Es muy fácil construir una historia convincente alrededor de un resultado estadístico positivo. El riesgo es enamorarte de la narrativa y dejar de auditar la herramienta que la produjo. En tu startup, eso se traduce en dashboards que siempre muestran «verde» y un equipo que deja de cuestionarlos.
La replicación es la prueba definitiva. Si nadie más puede reproducir tu análisis con datos públicos, no es conocimiento, es anécdota elegante. Antes de basar una decisión en un reporte —interno o de terceros— pregúntate si podrías replicarlo mañana con tu propio equipo.

La pieza de Breakthrough Journal no invalida la energía nuclear ni la investigación sobre sus riesgos. Lo que sí invalida es la confianza ciega en cifras que parecen precisas por el número de decimales que llevan, pero que están construidas sobre cimientos que no resisten una segunda mirada. Para un founder, esa segunda mirada es, a menudo, la diferencia entre una decisión informada y una apuesta disfrazada de dato.