Fisica del riesgo
-
Upload
antonio-j-carton -
Category
Health & Medicine
-
view
20 -
download
0
Transcript of Fisica del riesgo
Los riesgos de la predicción del riesgoEl riesgo y la física de la predicción.
A propósito de McEvoy et al. Am J Cardiol 2014;113:1429
Antonio J. Cartón, M.D.
El problema clínico
El paradigma actual de predicción de riesgos es poco eficiente para los pacientes concretos, incluso añadiendo nuevos marcadores.
¿Por qué?
Analogías y metáforas de la física
¿Hay alternativas?
Los problemas del paradigma de predicción de riesgo en cardiología clínica
- La zanja entre la población y el individuo
- La lucha por la perfección
- Predecir frente a detectar el futuro
La zanja
ESTUDIO
POBLACIONAL
Las puntuaciones de riesgo solo dan estimaciones precisas de riesgo MEDIAS
Hay una variación intrínseca para predecir riesgo CV si se aplica a un paciente concreto
¿Esta ZANJA suele ignorarse en la
práctica clínica!
Analogía: teoría cinética de los gases ideales
El comportamiento de una molécula individual de gas es IMPREDECIBLE (como a menudo el riesgo de un paciente individual)
El comportamiento POBLACIONAL de las moléculas del gas es MUY PREDECIBLE (leyes probabilísticas de la mecánica estadística)
Las propiedades EMERGENTES (temperatura, presión) no tienen sentido consideradas en una única molécula.
Las propiedades poblacionales no se traducen necesariamente en propiedades en un individuo.
Las estimaciones de riesgo podrían tener un sentido limitado en un paciente determinado.
¿Por qué la zanja?No totalmente claro
Efectos aleatoriosConocimiento incompleto de los factores causales
Falacia ecológica: Se infieren propiedades sobre los pacientes a partir de propiedades poblacionales basadas en los mismos pacientes
ConsecuenciasLa capacidad de aplicar conocimiento sobre poblaciones en pacientes concretos es limitada.
Los preventivistas podrían argumentar que los modelos de predicción de riesgo funcionan por que la estimación precisa del riesgo poblacional permitiría asignar tratamientos a nivel poblacional
Un clínico nunca podría estar seguro de que las decisiones basadas en modelos poblacionales le supondrán un beneficio a los pacientes concretos.
La búsqueda de la perfección
Queremos estar seguros de nuestros modelos de riesgo porque indicamos tratamiento a menudo de por vida sólo basados en estimaciones poblacionales.
El enfoque de la cardiología preventiva actual ha sido la búsqueda de nuevos factores de riesgo que clasifiquen con más precisión el riesgo de los pacientes.
Ventajas y desventajasIdentificación de dianas terapéuticas
A veces se intenta mejorar las estimaciones de riesgo, no que sean perfectas
El intento iterativo de mejorar es igual que intentar alcanzar la perfección
¿Es esto posible?
DiscriminaciónEstadístico C (área bajo la curva)
C-indexes, using the Framingham risk
score [FRS]) are in the 0.60 to 0.70 range,
depending on the population under study.
However, even with the addition of the
most powerful novel risk factors, the c-
index for well-calibrated cardiac events
rarely increases beyond 0.80
¿Límite a mejorar?1. Existe un límite superior de cómo un modelo
perfectamente calibrado puede discriminar2. Los modelos podrían NO serían fácilmente
trasladables entre poblaciones y entre periodos de tiempo (cambios en los factores de riesgo, factores de confusión).
3. Conocimiento incompleto de factores de riesgo
¿Incertidumbre sobre factores conocidos de riesgo?
Principio de incertidumbreLa posición y el momento de una partícula en un instante determinado no se pueden conocer con precisión completa (Heisenberg)
En lo referente a la predicción de riesgo, el principio se aplica a la energía y al tiempo (energía es al momento como tiempo es a la posición)
E=1/2mv2
m=número de pacientes de una poblaciónV=riesgo medio en la población
Importancia clínica
No hay incertidumbre cuántica pero limita las interpretaciones deterministas de riesgo
Si no sabemos qué entradas hay en un sistema, especialmente en los complejos y pequeños, el concepto de Universo como un reloj no es válido.
La precisión perfecta de riesgo es inalcanzable y lógicamente falsa, y nunca podemos eliminar la incertidumbre.
Si la estimación de riesgo tiene tanta incertidumbre, ¿tenemos justificado iniciar tratamientos de por vida?
¿O hay estrategias alternativas para reducir la incertidumbre en los pacientes?
Predecir frente a detectar el futuro
¿El despistaje permite seleccionar de forma individual el riesgo en cada paciente?
Medir eventos subclínicos frente a aplicar estimaciones de riesgo poblacional
Superposición cuánticaLos objetos existen en parte en todos los estados teóricamente posibles DE FORMA SIMULTÁNEA hasta que son medidos
Luz=onda+partícula
Función de onda: dualidad como probabilidad, medida como colapso y resultado como una única configuración
Analogía clínicaUn paciente tiene Y no tiene la enfermedad hasta el acto de mdida
A menudo están clínicamente indicados tratar un paciente COMO SI tuviera o COMO SI NO tuviera la enfermedad, tradicionalmente basado en factores de riesgo)
Una vez que, mediante despistaje, se establece si se tiene o no la enfermedad, sólo una de las dos opciones es correcta
Implicaciones para tratamientos personalizados
Basar las decisiones de tratamiento de los pacientes en contingencias (estimaciones de riesgo) que son INHERENTEMENTE inciertas para pacientes es una estrategia personalizada MENOS EFECTIVA que indicar tratamientos ESTABLECIENDO la presencia de enfermedad en ese paciente.
La distribución de onda no se puede colapsar
El gato de Schrödinger
Los modelos emplean variables derivadas de la asociación con sucesos clínicos y no con la enfermedad subyacente.Se está estimando un PRONÓSTICO más que un DIAGNÓSTICOLa intervención sobre los factores de riesgo no necesariamente sería causal (NO ACTUARÍA SOBRE EL MECANISMO DE LA ENFERMEDAD)
IMPLICACIONES PARA EL FUTURO
Usar algoritmos de predicción de riesgo para puentear la zanja entre riesgo epidemiológico (población) y tratamiento clínico (paciente) es una recapitulación del problema expuesto por Maxwell y su demonio en la teoría cinética de los gases.
El demonio de Maxwell
“Si no imagináramos un ser cuyas facultades son tan agudas que puede seguir el curso de cada molécula, un ser así, cuyos atributos son esencialmente tan finitos como los nuestros, podría hacer algo imposible para nosotros. Porque hemos visto que las moléculas en un recipiente lleno de aire a una temperatura uniforme se mueven a una velocidad en ningún casi uniforme, aunque la velocidad media de un número grande de ellas, elegidas arbitrariamente, es casi exactamente uniforme. Supongamos ahora que en ese recipiente hagamos dos compartimentos, A y B, con una pared con un agujerito, y que ese ser, que puede ver las moléculas individuales, abre y cierra el agujerito, de tal forma que permite sólo pasar las moléculas más rápidas de A hasta B, y las más lentas de B hasta A. De esa forma, sin gasto de trabajo, elevará la temperatura de B y bajará la de A, en contradicción a la segunda ley de la termodinámica”.
Metáfora de la atención médica
El universo es una población con una distribución amplia de sucesos CV.
El demonio-doctor controla una trampilla.Si un paciente de alto riesgo se aproxima, el doctor abre la trampilla y deja que el paciente pase a una sala para iniciar el tratamiento preventivo
Al contrario que el demonio de Maxwell, los médicos nunca podemos saber exactamente las variables que contribuyen al riesgo CV es un paciente dado.
Entonces,Si nos basamos en estimaciones de riesgo que implican incertidumbre en los pacientes, ¿qué riesgo corremos a nuestra vez?
Perder oportunidades de tratamiento?
NI EL DEMONIO DE MAXWELL NI EL MÉDICO PREDICTOR SON POSIBLES
Función de transferencia de riesgo
Traducir los factores de riesgo a partir de la carga y características de la enfermedad colocaría la estimación de riesgo poblacional a nivel de de la lesión, más que a nivel del indviduo o la población
ConclusionesExtraer una información precisa de riesgo en un paciente individual de un modelo de riesgo basado en la población tiene, de forma inherente, INCERTIDUMBRE
Tomar decisiones personalizadas a partir de sólo estimaciones de riesgo con aplicabilidad limitada al paciente puede ocasionar una atención preventiva mala.
LAS DECISIONES BASADAS EN EL RIESGO SON ARRIESGADAS
ConclusionesEl despistaje de enfermedad disminuye la incertidumbre para el paciente y facilitaría la toma mejorada de decisiones individualizadas
Hay que revisar los modelos a medida que emerge nueva información, admitir que nuestro conocimiento es incompleto y considerar nuevas estrategias que optimicen la atención de nuestros pacientes.