1.
Los riesgos de la predicción del riesgo
El riesgo y la física de la predicción.
A propósito de McEvoy et al. Am J Cardiol 2014;113:1429
Antonio J. Cartón, M.D.

2.
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?

3.
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

4.
La zanja

5.
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

6.
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)

7.
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.

8.
¿Por qué la zanja?
No totalmente claro
Efectos aleatorios
Conocimiento incompleto de los factores causales
Falacia ecológica:
Se infieren propiedades sobre los pacientes a partir de
propiedades poblacionales basadas en los mismos
pacientes

9.
Consecuencias
La 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.

10.
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.

11.
Ventajas y desventajas
Identificación 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?

12.
Discriminación
Estadístico 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

13.
¿Límite a mejorar?
1. Existe un límite superior de cómo un modelo
perfectamente calibrado puede discriminar
2. 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?

14.
Principio de incertidumbre
La 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 población
V=riesgo medio en la población

15.
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?

16.
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

17.
Superposición cuántica
Los 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

18.
Analogía clínica
Un 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

19.
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

20.
El gato de Schrödinger

21.
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
DIAGNÓSTICO
La intervención sobre los factores de riesgo no
necesariamente sería causal (NO ACTUARÍA
SOBRE EL MECANISMO DE LA
ENFERMEDAD)

22.
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.

23.
El demonio de Maxwell

24.
“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”.

25.
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.

26.
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

27.
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

28.
Conclusiones
Extraer 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

29.
Conclusiones
El 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.