image_pdfPulsa aquí para descargar en PDFimage_print

Interesante texto traducido por Intramed y que reproducimos parcialmente y comentamos por su interés. Nos permite una reflexión más general sobre un importante sesgo intelectual profesional y ciudadano: confundir factor de riesgo con factor explicativo, es decir, correlación con causalidad.

LA REFLEXIÓN DESESPERADA SOBRE FACTORES DE RIESGO

Comienzan señalando las autoras que la investigación biomédica está en crisis. Según Chalmers y Glasziu, el 85% de lo invertido se desperdicia en ciencia inútil para pacientes o poblaciones. Las recomendaciones de estos autores para evitar esta ineficiencia se centran en priorizar adecuadamente la investigación, revisar la literatura antes de comenzar una nueva investigación, el registro de los protocolos y la disponibilidad de los datos.

Las autoras sugieren que hay otra estrategia: asegurarse de que el enfoque conceptual coincida con la pregunta de investigación.

Esta reflexión conceptual es especialmente importante en relación con la investigación de los factores de riesgo:  

“Gran parte de la investigación biomédica observacional se refiere al papel de los “factores de riesgo” en la enfermedad, que se realiza por dos motivos principales: estratificación o predicción del riesgo y evaluación de la causalidad.”

Señalan las autoras que aunque los factores de riesgo son estudiados con frecuencia, la pregunta que se pretende responder es completamente distinta si se explora predicción (¿este riesgo predice la enfermedad?) o explicación (¿este riesgo explica la enfermedad?).

Son conceptos distintos que requieren distintos enfoques e interpretaciones de la investigación: si el riesgo predice la enfermedad, no sirve de nada tratarlo porque no la previene; si el riesgo explica la enfermedad entonces, es causa de la misma y probablemente sea bueno tratarlo para prevenirla siempre que se demuestre mediante investigaciones bien diseñadas.

https://www.bmj.com/content/349/bmj.g4379

Esta confusión ha llevado, por ejemplo, a que durante demasiados años hayamos estado tratando de elevar un factor que predecía la reducción del riesgo de desarrollar enfermedad cardiovascular pero que no lo explicaba, el colesterol HDL:

Después de una inversión de investigación extensa y costosa durante más de 35 años.., recientemente se ha identificado que el colesterol de lipoproteínas de alta densidad (HDL) es un factor de riesgo no causal para la enfermedad cardiovascular”.

Que niveles de HDL elevados se asocien a menor mortalidad cardiovascular no significa que ese efecto se deba al HDL.

Es el famoso aforismo: Correlación no implica causalidad.

Los modelos predictivos pretenden identificar a personas o grupos con un riesgo elevado de padecer una enfermedad. 

Como con todos los modelos estadísticos, no se puede esperar que los modelos predictivos hagan sus predicciones igual de bien cuando cambian las circunstancias y funcionarán mejor cuanto más representativa de la población a la que se aplica sea la muestra. Son muy sensibles, de igual modo, a la precisión de las mediciones:

“Los modelos predictivos pueden no ser generalizables a poblaciones que difieren de aquella en la que se desarrollaron porque, en una nueva población, la correlación entre factores causales predictivos y verdaderos puede ser diferente.”

Por eso, por ejemplo, no son extrapolables los modelos predictivos de riesgo cardiovascular anglosajones a la población española.

Las autoras explican la inutilidad de muchos modelos predictivos de riesgo:

Como tal, no es apropiado calcular un riesgo atribuible a una población directamente a partir de un modelo de predicción de riesgos, porque la eliminación de estos “factores de riesgo” podría no afectar la salud de la población.”

Los modelos explicativos sí que pueden proporcionar una guía sobre cómo manipular elementos de interés:

“Como tal, los modelos explicativos se basan en factores potencialmente causales, es decir, factores cuya manipulación cambia el resultado”.

Los estudios que evalúan la causalidad son, por tanto, más explicativos que predictivos:

“Los modelos explicativos están diseñados para evaluar si un “factor de riesgo” particular explica la ocurrencia, o el curso, de la enfermedad y, como tal, es un objetivo válido de intervención”.

Pero, es posible encontrar factores que no predicen la enfermedad pero que pueden causarla: 

“Por ejemplo, observacionalmente la longitud de los telómeros no parece predecir el cáncer de células renales, pero las personas con telómeros genéticamente más largos tienen un mayor riesgo, lo que sugiere un papel causal en el cáncer de células renales, como en otros cánceres.”

La confusión se puede producir cuando se omiten o ignoran las causas comunes externas de la condición de salud, de modo que se puede observar una relación espuria:

“Por ejemplo, fumar causa tanto dedos amarillos como cáncer de pulmón, por lo que cualquier evaluación del efecto causal de los dedos amarillos sobre el cáncer de pulmón debería tener en cuenta el tabaquismo.”

Si no conocemos que el tabaquismo es lo que causa los dedos amarillos podríamos concluir que son los dedos amarillos los que causan el cáncer de pulmón:

“La confusión es difícil de evitar a menos que se conozcan todas las causas comunes de la enfermedad” 

La confusión puede, potencialmente, abordarse en los estudios observacionales mediante la recopilación de suficiente información relevante sobre los participantes del estudio “de modo que toda la confusión se justifique por ajuste, probabilidad inversa de ponderación del tratamiento o estandarización.”

La predicción y la explicación generalmente requieren diferentes enfoques en términos de conceptualización, modelado, análisis, validación, presentación, interpretación, generalización y atribución de riesgos. Esta ética de la investigación sobre factores de riesgo lamentablemente no se lleva a cabo. 

  • Los estudios de predicción de riesgos utilizan técnicas estadísticas para generar modelos contextualmente específicos basados en datos que requieren una muestra representativa que identifica a las personas en riesgo de enfermedad de manera eficiente, pero no identifica necesariamente los objetivos de la intervención.
     
  • Los estudios explicativos, idealmente integrados en un modelo explicativo de la realidad, evalúan los factores causales que pueden ser objetivos de la intervención.
     
  • Los modelos predictivos permiten a los profesionales de la salud pública identificar poblaciones con un riesgo elevado de enfermedad para permitir la focalización de intervenciones en factores causales que deben estar probadas
     
  • Los modelos explicativos permiten que los profesionales de la salud pública identifiquen los factores causales que pueden abordarse para prevenir la enfermedad.

Las autoras concluyen que es necesario evitar el término impreciso “factor de riesgo” porque un factor de riesgo no causa enfermedad a no ser que sea un “factor explicativo”. Mientras no haya causalidad demostrada, hay que llamarlo “factor predictivo”

Accesible desde https://saludcomunitaria.wordpress.com/2012/11/01/agustin-garcia-calvo-y-felix-miguel-garcia-que-de-calvo-no-tiene-mucho-pero-de-calvo-bastante/

Félix Miguel escribió hace 20 años un texto muy revelador sobre el término factor de riesgo. Su definición es confusa (aunque no inocente como veremos) porque se equipara factor de riesgo con variable independiente en los estudios:

“En la práctica, las variables independientes (factores) que se incluyen en el estudio para determinar su influencia sobre las variables dependientes (enfermedad) pasan a denominarse con frecuencia «factores de riesgo» o indistintamente «variables» o «factores de riesgo».”

Y continúa:

“De este modo, la imprecisión del término ha cobrado carta de naturaleza puesto que, en principio, cualquier variable que pueda predecir el valor de la variable independiente puede denominarse sin más problema factor de riesgo.”

El término factor de riesgo es absolutamente impreciso (aunque, repetimos, no inocente). Señala Félix Miguel en un párrafo genial su difundida utilización:

“La imprecisión en el campo teórico se refrenda con una simple ojeada al uso habitual del término, término que, por otra parte, ha trascendido ya a medios no especializados, por ejemplo, medios de comunicación, donde se usa con profusión. Puede observarse entonces que el término «factor de riesgo» no tiene un significado unívoco, sino que se perfila contextualmente, con sobrentendidos. Por ejemplo, si se dice que un agente infeccioso es un factor de riesgo se sobrentiende que se está utilizando «factor de riesgo» como sinónimo de causa necesaria y, en ocasiones, de causa suficiente. Si se dice que la ceguera es un factor de riesgo de caídas, se sobrentiende que la ceguera es una de las posibles causas, aunque ni necesaria ni suficiente, de una caída. Si se dice que la HTA es un factor de riesgo para la enfermedad cardiovascular, se sobrentiende que la HTA presenta alguna relación causal, aunque los mecanismos no estén aclarados, con la enfermedad cardiovascular. Si se dice que la edad es un factor de riesgo para el IAM, se sobrentiende que la edad marca o se asocia indefectiblemente con un mayor riesgo de presentar IAM. Si se dice que la promiscuidad sexual es un factor de riesgo del cáncer de cérvix, se sobrentiende que la promiscuidad es una condición previa o inicial para que los verdaderos factores causales (virus, idiosincrasia) actúen. No es de extrañar entonces que, no sin ironía, se publicara ya hace unos años una lista de 246 factores de riesgo cardiovascular que incluye desde no dormir la siesta hasta roncar”.

Por si esto no fuera suficiente, tenemos la significación estadística para acudir en ayuda de cualquier interpretación crítica:

“…la polisemia se pone al servicio de la ambigüedad, de tal forma que se meten en el mismo saco de «factor de riesgo», asociación estadística con causas. Por tanto puede afirmarse que (en la comprensión común de profesionales y ciudadanos avezados), mientras no se demuestre lo contrario, un factor de riesgo es un factor causal; pero en cuanto exista el menor esbozo crítico acerca de la certeza del papel productivo de un determinado factor de riesgo … es fácil apelar a su mero significado estadístico.” (paréntesis nuestro) 

La medicina basa gran parte de sus intervenciones más frecuentes en la confusión entre factor explicativo y factor predictivo. Estamos tratando masivamente factores predictivos creyendo que son factores explicativos. Félix Miguel ya identificó esta confusión:

“…la imperiosa necesidad de actuar permite que una poco definida mejora de las condiciones de vida y de salud de la población pueda utilizarse como coartada para poner en marcha intervenciones no sólo sin la suficiente solidez científico-técnica, sino también sin una valoración suficiente de la magnitud de los supuestos beneficios, ni de los esfuerzos sociosanitarios necesarios, ni de las oportunidades perdidas si los esfuerzos se canalizaran en otra dirección.”

Un mismo factor puede ser explicativo (hipertensión severa) y predictivo (hipertensión moderada): el primero hay que tratarlo y el segundo no. Pero ¿cómo saber cuándo es la hipertensión un factor predictivo y cuándo factor explicativo? Con estudios bien diseñados para tomar decisiones poblacionales; imposible saberlo en las decisiones individuales.

Desde luego, esta ambiguedad debida a la complejidad y multicausalidad de los fenómenos biológicos es aprovechada por la industria farmacéutica para introducir sesgos intelectuales que afectan gravemente a las decisiones clínicas.

La confusión entre factor predictivo y explicativo es ubicua en los fenómenos que denominamos sobrediagnóstico y sobretratamiento.

Por ejemplo:

  • la osteoporosis es un factor predictivo de las fracturas sintomáticas pero no explicativo;
  • la hipercolesterolemia es un factor predictivo de la mortalidad cardiovascular pero, sobre todo en prevención primaria, no es explicativo;
  • la hipertensión moderada es un factor predictivo de enfermedad cardiovascular pero no es un factor explicativo;
  • el nivel de hemoglobina glicada es un factor predictivo de complicaciones diabéticas pero no es un factor explicativo;
  • diagnosticar a una mujer con cáncer de mama en el cribado mediante mamografía es un factor predictivo de mortalidad específica por cáncer de mama pero no es explicativo de la mortalidad global;
  • un PSA elevado es un factor predictivo de mortalidad específica por cáncer de próstata pero no es un factor explicativo de mortalidad global

Cuando un factor de riesgo es solo predictivo, no hay que tratarlo, no hay que intervenir sobre él. Como mucho hay que identificar al enfermo como de riesgo e intervenir sobre factores que sí hayan demostrado ser explicativos.

Por eso escriben las autoras del texto inicialmente comentado que un factor predictivo:

“nos identifica a las personas en riesgo de enfermedad de manera eficiente, pero no identifica necesariamente los objetivos de la intervención”.

Por eso:

  • no hay que tratar la osteoporosis pero sí puede que su identificación, sobre todo en pacientes con osteoporosis severa, ayude a hacer intervenciones dirigidas a población de alto riesgo para evitar caídas (factor explicativo de las fracturas sintomáticas)
  • no hay que tratar hemoglobinas glicadas pero sí puede servir para identificar pacientes de alto riesgo en los que hay que hacer esfuerzos para intervenir sobre factores que se han demostrado explicativos de complicaciones cardiovasculares en la diabetes, como el sedentarismo o el tabaquismo.
  • quizás no hay que tratar determinados cánceres de mama diagnosticados mediante cribado pero sí vigilarlos como única manera, en este momento, de saber qué cánceres se comportan como un factor explicativos de la mortalidad global ligada al cáncer de mama 

La confusión entre factores explicativos, predictivos y de riesgo no es inocente, como dice Félix Miguel:   

“La tesis aquí mantenida es que toda esta estrategia científico-comercial y esta situación aceptada tácitamente de modo generalizado sólo se puede sostener en los ámbitos intelectual y ético si la práctica e investigación médicas descansan sobre un magma conceptual difuso acerca de lo que signifique el riesgo y la prevención de ese riesgo, magma que se ha introducido en las rendijas de nuestra mentalidad a través de la ambigüedad del concepto de factor de riesgo. El cajón de sastre que es el concepto de factor de riesgo favorece el tránsito casi automático de la asociación estadística a la intervención, sin que medie una reflexión no ya sociosanitaria, sino ni siquiera científico-médica. La coartada es perfecta. Lo primero es la salud.”

Quizás lo mejor, para evitar los deslices intelectuales, es quedarnos con la idea general de que un factor de riesgo no causa enfermedad a no ser que sea definido adecuadamente como factor explicativo.

Pero aun hay más.

Una vez que un factor de riesgo es definido como factor explicativo en muestras experimentales entonces tendremos que preguntarnos si también es un factor explicativo de enfermedad para nuestro paciente individual.

¿Es posible?

No.

No es posible establecer en pacientes individuales la naturaleza explicativa de ningún factor de riesgo. 

 

Stengenga ya lo decía:

La mayoría de las enfermedades tienen una base causal y constitutiva compleja. En parte debido a esta razón, la manera cómo han sido caracterizadas las enfermedades ha ido cambiando de una perspectiva monocausal a multifactorial. Para muchas enfermedades, como la insuficiencia cardiaca, la diabetes tipo II o las enfermedades mentales, no hay causas ni necesarias ni suficientes (factores explicativos) sino más bien un conjunto de factores que aumentan la probabilidad de que la enfermedad se manifieste (factores predictivos). Si no hay causas ni necesarias ni suficientes para la mayoría de las enfermedades, entonces cualquier intervención en alguno de los factores relacionados no será nunca capaz por sí sola de eliminar la enfermedad” (paréntesis nuestros)

En individuos concretos, es imposible establecer anticipadamente los factores contribuyentes causales sobre los que se debe intervenir ya que no pueden inferirse de los estudios experimentales con muestras. 

Mossman también lo explica:

La biología humana, y las enfermedades crónicas especialmente, son estructural y funcionalmente complejas. Los sistemas complejos se comportan de manera impredecible y no pueden ser reducidos a cuantificaciones simplistas o a descripciones matemáticas. La complejidad biológica y fisiológica es debida al gigantesco número de elementos en red interactuando (moléculas, células, medio ambiente..) y de circuitos auto y heteroregulados que funcionan en un extenso rango espacial y temporal” (negritas nuestras)

La personas enferman gracias a una combinación impredecible de factores individuales y contextuales que comienzan a generar modificaciones fisiológicas en un rango espacio tiempo muy prolongado.

Si no es posible predecir factores explicativos de las enfermedades en los individuos, no es posible indicar ningún tratamiento causal con una base epistémica suficiente y la evidencia científica no lo es.

LAS DIEZ CONCLUSIONES CONTRAFÁCTICAS

(1) Un factor de riesgo no puede ser considerado explicativo de enfermedad mientras no existan investigaciones bien diseñadas que demuestren causalidad.

(2) En los factores de riesgo predictivos no está indicada la intervención sanitaria por muy elevado que sea el riesgo, excepto para actuar sobre factores explicativos. 

(3) Debido a la complejidad biológica no es posible, con suficiente verosimilitud epistémica, definir como explicativo ningún factor de riesgo en individuos concretos 

(4) Como a nivel individual no hay posibilidad de establecer los factores explicativos de las enfermedades, todas las intervenciones sanitarias (farmacológicas o diagnósticas) supuestamente causales son siempre hipótesis, especialmente en la medicina preventiva.

(5) La medicina basada en la evidencia, en relación con las intervenciones preventivas, no es válida a nivel individual.

(6) La individualización de las decisiones, considerando deseos y expectativas de las personas, contextos sociales, experiencia profesional y el mejor conocimiento científico generado en muestras experimentales, es una necesidad no solo ética sino, sobre todo, epistémica.

(7) Igual que no es posible, sobre todo en medicina preventiva, establecer a nivel individual indicaciones basadas en la evidencia sobre factores que en muestras experimentales se han mostrado explicativos, tampoco es posible establecer la inutilidad de ningún tratamiento no indicado por no haber demostrado efectividad en muestras experimentales: puede que a nuestro paciente sí le sirva

(8) El sobretratamiento y el sobrediagnóstico son conceptos poblacionales, nunca individuales.

(9) Solo los pacientes, tras una conversación con el profesional sanitario de confianza, pueden establecer cuándo una intervención sanitaria está indicada en su caso (esta afirmación necesita ser completada con la 10 conclusión contrafáctica) 

(10) La indicación, es decir, la ciencia biomédica, base del principio de beneficencia, no es un criterio suficiente para la toma de decisiones con pacientes individuales. Necesita siempre otros criterios morales como son el de autonomía, el de no maleficencia y el de justicia para tener suficiente validez epistémica y ser, por tanto, una decisión científicamente aceptable. 

http://equipocesca.org/new/wp-content/uploads/2009/10/prevencion-el-medico-2009.pdf

Por eso, entre otras cosas, Starfield y Gérvas defienden que la prevención no es una actividad propia de la atención primaria: no hay base científica posible con los enfermos individuales:

“Por supuesto, en Atención Primaria es posible el trabajo preventivo, sobre todo por el conocimiento profundo que tiene el médico de cabecera de sus pacientes. Estos lazos facilitan que el médico entienda a sus pacientes y sus actitudes vitales, y ayudan a comprender los factores que inciden en cada uno de ellos, con consecuencias perjudiciales, o beneficiosas, en su salud. Por eso, la buena relación médico-paciente ayuda a que sean eficaces los consejos sobre el tabaco, o sobre la dieta, o acerca del ejercicio físico, o la promoción de la salud mental, por ejemplo. Pero es fútil el empeño de transformar al médico de cabecera en un agente capaz de cambiar las condiciones sociales y ambientales que llevan a mejorar la salud de la población. La salud tiene condicionantes que se escapan al médico clínico, y cuyo manejo y mejora requiere técnicas y posibilidades ajenas a la Medicina; por ejemplo, la educación formal, o la redistribución de la riqueza, o la legislación laboral, o el control de la contaminación ambiental.”

Los aspectos epistemológicos de esta afirmación no son abordados en profundidad pero se sintetizan en esta frase:

“la prevención tiene intrínsecamente límites y en la práctica debería tener límites lógicos”

Es la complejidad la que limita la capacidad preventiva, es decir, de actuar sobre factores de riesgo explicativos en pacientes individuales:

“La cuestión clave es el cambio profundo en las causas de enfermar, que cada vez son menos claras, directas y sencillas. La causa “única” de enfermar es rara, y lo habitual es la interacción entre causas biológicas, sociales y ambientales.”

Y concluyen ambos maestros:

“..no deberían confundirse las funciones clínicas de la Atención Primaria con una actividad centrada en la prevención. La prevención no es una función de la Atención Primaria sino una actividad complementaria y necesaria para el cumplimiento de sus fines clínicos. El “giro a la prevención” del sistema sanitario es absurdo si no se distribuyen claramente las responsabilidades y papeles en lo que se refiere a pacientes y a poblaciones, y lleva inexorablemente al fracaso si conlleva la concepción de la Atención Primaria como atención centrada en la prevención”

Abel Novoa es médico de familia y presidente de NoGracias

Otras entradas de esta serie:

Esbozos de complejidad (1): Porque los profesionales de la salud no deberían estudiar ciencias básicas

Esbozos de complejidad (2): caos, emergencia y el mito de “medicamentos como balas mágicas”. 

Esbozos de complejidad (3): Los ensayos clínicos no son conocimiento científico.

Comparte este post en tus redes sociales
Share on Facebook
Facebook
Tweet about this on Twitter
Twitter
Share on LinkedIn
Linkedin