Capítulo 3: Toma de decisiones en la medicina clínica

Para el estudiante de medicina que requiere horas para obtener los antecedentes del paciente y la exploración física y para organizar dicha información en una presentación coherente, la capacidad de un médico con experiencia para decidir el diagnóstico y plan terapéutico en cuestión de minutos podría parecer extraordinaria. Lo que separa al médico experto del novato se llama “experiencia”. En la primera parte de este capítulo se proporciona una revisión de la comprensión actual de la experiencia en el razonamiento clínico, qué es, y cómo puede desarrollarse.

El uso apropiado de las pruebas diagnósticas y la integración de los resultados en la valoración clínica del paciente también puede ser igualmente desconcertante para los estudiantes. Con la esperanza de acertar un diagnóstico desconocido, los médicos novatos podrían aplicar el método de “escopetazo” para la realización de las pruebas. En cambio, el médico experto por lo general dirige sus pruebas hacia una hipótesis diagnóstica específica. En la segunda parte del capítulo se revisan los conceptos estadísticos básicos útiles para la interpretación de pruebas diagnósticas y las herramientas cuantitativas útiles para la toma de decisiones clínicas.

La medicina basada en evidencias (EBM, evidence-based medicine) constituye la integración de la mejor evidencia disponible mediante la investigación, con aplicación del juicio clínico a la atención de los pacientes individuales. La tercera parte del capítulo proporciona una revisión de las herramientas de la EBM.

BREVE INTRODUCCIÓN AL RAZONAMIENTO CLÍNICO

Experiencia clínica

La definición de la “experiencia clínica” es sorprendentemente difícil. El ajedrez tiene un sistema de clasificación objetivo basado en la capacidad del individuo y en criterios de desempeño. De la misma forma, los deportistas tienen sistemas de clasificación para diferenciar a los novatos de los deportistas olímpicos. Pero en medicina, después que los médicos han completado su capacitación y son aprobados por sus respectivos consejos, ninguna prueba adicional identifica a aquellos que han logrado los niveles más altos de desempeño clínico. Por supuesto, los médicos a menudo consultan a una pequeña “élite” de médicos “para resolver los problemas particularmente difíciles” cuando se enfrentan a casos desconcertantes. Sin embargo, pese a su capacidad, incluso los médicos con gran experiencia típicamente no pueden explicar sus métodos y procesos de manera exacta, con lo que se limita la adquisición y diseminación de la experiencia utilizada para lograr sus resultados impresionantes. Además, la virtuosidad del médico parece no ser generalizable; es decir, un experto en miocardiopatía hipertrófica podría no ser mejor (y posiblemente sería peor) en comparación con un residente de primer año para el diagnóstico y tratamiento de un paciente con neutropenia, fiebre e hipotensión.

En el sentido amplio, la experiencia clínica incluye no sólo las dimensiones cognitivas y la integración de la información verbal y visual, sino que también incluye habilidades motoras finas complejas necesarias para la realización de procedimientos con y sin penetración corporal y la realización de pruebas. Además, el “paquete completo” de la experiencia en medicina incluye la capacidad de comunicarse de manera eficaz con pacientes y trabajar con miembros del equipo médico. La investigación sobre experiencia médica es relativamente escasa y la mayor parte de los trabajos se han dirigido al razonamiento diagnóstico y se ha puesto mucho menos atención a las decisiones terapéuticas o habilidades técnicas necesarias para la realización de procedimientos. Así, en este capítulo se realizarán principalmente los elementos cognitivos del razonamiento clínico.

Como el razonamiento clínico tiene lugar en la cabeza de los médicos, no es fácilmente observable, lo que hace evidentemente difícil el estudio. Un método de investigación sobre las actividades de razonamiento médico es “pensar en voz alta” conforme reciben información clínica, en una forma de estimular un encuentro clínico. Otro método de investigación se ha dirigido a la forma en que los médicos deben razonar para llegar a un diagnóstico más que en la forma en que en realidad razonan. Gran parte de este conocimiento sobre el razonamiento clínico proviene de estudios empíricos de conductas de resolución de problemas numéricos. Por las diversas perspectivas que contribuyen a esta área, con la importante contribución de la psicología cognitiva, sociología, educación médica, economía, informática y ciencias de toma de decisiones, no existe ningún modelo integrado de razonamiento clínico y es muy común que diferentes términos y modelos describan fenómenos similares.

Razonamiento intuitivo en comparación con razonamiento analítico

Un modelo contemporáneo de razonamiento, la teoría de procesamiento dual distingue dos sistemas generales de procesos cognitivos. La intuición (sistema 1) proporciona juicios rápidos y sin esfuerzo de asociaciones memorísticas utilizando un patrón de reconocimiento y otras simplificaciones que se basan en “reglas simples” (método heurístico). Un ejemplo muy simple que podría ser útil en ciertas situaciones es “las mujeres estadounidenses de raza negra con adenopatía hiliar sufren sarcoidosis”. Como no existe un esfuerzo para recordar el patrón, típicamente los médicos son incapaces de decir de qué forma se formularon estos juicios. Por el contrario, el análisis (sistema 2), la otra forma de razonamiento en un modelo de proceso dual, es lento, metódico, deliberado y requiere esfuerzo. Por supuesto, éstos corresponden a extremos idealizados del continuo cognitivo. La forma en que estos sistemas interactúan en diferentes problemas de decisión y cómo la utilizan los expertos de manera diferente a los novatos y cuándo su uso puede llevar a errores de juicio es un tema que es motivo de estudio y debate considerables.

El reconocimiento de patrones es un proceso cognitivo complejo que parece en gran medida que no requiere esfuerzo. Una persona puede reconocer la cara de las personas, la raza de un perro o el modelo de un automóvil sin necesidad de mencionar las características específicas que lo llevaron a dicho reconocimiento. De la misma forma, los médicos con experiencia a menudo reconocen con rapidez patrones diagnósticos familiares. En ausencia de un repertorio extenso de patrones diagnósticos, los estudiantes (así como los médicos más expertos que actúan fuera de su área de experiencias) a menudo utilizan el método analítico más laborioso del sistema 2, junto con la recolección más intensiva y amplia de datos para llegar al diagnóstico.

A continuación se presentan tres escenarios clínicos breves de pacientes con hemoptisis que demuestran tres diferentes patrones:

• Un varón de 48 años de edad acude con su médico internista refiriendo hemoptisis como síntoma principal. Es un individuo por lo demás sano, no fumador, que se encuentra en recuperación de una aparente bronquitis viral. Este patrón de presentación sugiere que la pequeña cantidad de sangre que manche de esputo es consecuencia de la bronquitis aguda, de forma que la radiografía de tórax proporcionará información suficiente para descartar un trastorno más grave.

• Un paciente de 46 años de edad que tiene el mismo síntoma principal, pero con antecedente de tabaquismo de 100 cajetillas al año, tos matutina productiva y episodios de expectoración con estrías sanguinolentas que hacen pensar en carcinoma de pulmón. En consecuencia, junto con la radiografía de tórax, el médico solicita examen de citología de esputo y solicita una tomografía computarizada de tórax.

• Un varón de 46 años de edad con hemoptisis que inmigró de un país en vías de desarrollo es enviado también a ecocardiografía porque el médico auscultó soplo diastólico con retumbo en el vértice cardiaco, lo que sugiere estenosis mitral reumática y tal vez hipertensión pulmonar.

El rápido patrón de reconocimiento utilizado sin la reflexión suficiente puede ocasionar una alta prematura; el llegar a una conclusión errónea una vez que se conoce el diagnóstico correcto representa un error en la obtención completa de datos clínicos que podrían demostrar que el patrón inicial seleccionado era incorrecto. Por ejemplo, un varón de 45 años que acude con antecedente de tres semanas de evolución de infección de vías respiratorias altas “similar a un resfriado común”, con síntomas de disnea y tos productiva. Con base en los datos del padecimiento actual, el médico utiliza “un formato para valoración de infección de vías respiratorias altas” a fin de mejorar la calidad y eficiencia de la atención mediante la estandarización de la información obtenida. Después de llenar con rapidez el formato estructurado y al notar en particular la ausencia de fiebre y encontrar auscultación normal de los campos pulmonares, el médico prescribe fármacos para bronquitis aguda y envía al paciente a su domicilio informándole que la enfermedad no era grave. Después de una noche de insomnio con disnea significativa, el paciente desarrolla náusea y vómito y se torna grave. Acude a la sala de urgencias con paro cardiaco donde no responde a las maniobras de reanimación. La autopsia mostró un infarto miocárdico en la pared posterior y un trombo reciente en la arteria coronaria derecha, la cual presentaba datos de aterosclerosis. ¿Qué estuvo mal? El médico decidió, con base en el aspecto del paciente, incluso antes de iniciar la anamnesis, que los síntomas del paciente no eran graves. Por tanto se sintió cómodo con la realización de un examen abreviado y dirigido utilizando un protocolo de valoración para infección de vías respiratorias altas en lugar de considerar las posibilidades diagnósticas más amplias y realizar las pruebas apropiadas para confirmar o refutar su hipótesis inicial. En particular, al concentrarse en la infección de vías respiratorias altas, el médico no realizó una investigación completa sobre la disnea, la cual habría sugerido un trastorno mucho más grave y tampoco buscó otros síntomas que lo podrían haber dirigido al diagnóstico correcto.

La heurística, también conocida como conjunto de reglas simples, son estrategias de decisión simplificadas que ignoran parte de los datos disponibles, de forma que proporcionan una vía eficiente hacia el juicio deseado. Por lo general son parte de las herramientas de un sistema intuitivo. Dos programas importantes de investigación han obtenido conclusiones diferentes sobre la utilidad de la heurística en el juicio clínico. Los programas de “heurística y sesgos” se dirigen a la comprensión de la forma en que la heurística puede presentar sesgos en la resolución de problemas mediante pruebas de intuición numérica de estudiantes de psicología en comparación con las reglas de la estadística. Por el contrario, los programas de investigación “heurísticos rápidos y frugales” exploran cómo y cuándo los tomadores de decisiones dependen de conductas heurísticas simples que pueden proporcionar buenos resultados. Aunque muchos métodos heurísticos pueden tener relevancia en el razonamiento clínico, en este capítulo sólo se mencionarán cuatro.

Cuando se valora un paciente en particular, el médico a menudo considera la similitud de los síntomas, signos y factores de riesgo del paciente contra los de sus representaciones mentales de las hipótesis diagnósticas consideradas. En otras palabras, entre las posibilidades diagnósticas, el médico identifica el diagnóstico para el cual el paciente parece ser un ejemplo representativo. Análogo al patrón de reconocimiento, estos atajos cognitivos se conocen como representatividad heurística. Sin embargo, los médicos que utilizan esta última pueden alcanzar conclusiones erróneas si no consideran la prevalencia subyacente (es decir, las probabilidades antes o después de las pruebas) de dos diagnósticos que podrían explicar los síntomas del paciente. Considérese a un paciente con hipertensión, cefalea, palpitaciones y diaforesis. Los médicos sin experiencia podrían establecer la posibilidad de feocromocitoma, con base en la representatividad heurística ya que esta tríada de síntomas clásicos sugiere feocromocitoma. Hacerlo de esta forma sería incorrecto, dado que otras causas de hipertensión son mucho más comunes que el feocromocitoma y esta tríada de síntomas puede ocurrir en pacientes que no tienen feocromocitoma. La falta de experiencia con un diagnóstico en particular y con manifestaciones clínicas variables (p. ej., enfermedades que afectan varios aparatos y sistemas, como la sarcoidosis) puede ocasionar errores.

Un segundo atajo cognitivo utilizado a menudo, la disponibilidad heurística, implica juicios basados en la facilidad con la que pueden recordarse casos previos o resultados similares. Por ejemplo, un médico con experiencia podría recordar a 20 pacientes que haya valorado en los últimos años que presentaron disnea indolora de inicio agudo y que sufrían infarto agudo de miocardio. Un médico novato podría consumir tiempo valioso buscando una causa pulmonar para los síntomas antes de considerar y confirmar el diagnóstico de enfermedad cardiaca. En esta situación, el patrón clínico del paciente no se ajusta al patrón más común de infarto agudo de miocardio, pero la experiencia con esta presentación atípica, junto con la capacidad de recordarla, dirige al médico al diagnóstico.

Los errores en la disponibilidad heurística se originan de varias fuentes de sesgos en la memoria. Las catástrofes poco comunes probablemente serán recordadas con claridad y obligan de manera desproporcionada a que se sospeche de ellas para los diagnósticos futuros (p. ej., un paciente con faringodinia que finalmente tuvo una leucemia o un deportista joven con dolor en una extremidad inferior que tuvo un sarcoma) y los publicados en los medios de comunicación o que ocurrieron en fecha reciente, por supuesto son más fáciles de recordar y por tanto, tendrán más influencia en el juicio clínico.

El tercer atajo cognitivo utilizado a menudo es el anclaje heurístico, que incluye valorar la probabilidad de una enfermedad (ancla) y después ajustar la probabilidad a la alza o a la baja (en comparación con la regla de Bayes) cuando se interpretan nuevos datos sobre el paciente, es decir que se añaden al diagnóstico inicial. Por ejemplo, un médico podría juzgar la probabilidad de arteriopatía coronaria (CAD) como elevada pese a contar con una prueba de esfuerzo con talio negativa y solicitar un cateterismo cardiaco (véase la sección “Cuantificación de la probabilidad de enfermedades y regla de Bayes”, más adelante).

El cuarto estado heurístico establece que el médico debe utilizar la explicación más simple posible que exponga de manera adecuada los síntomas o datos clínicos del paciente (navaja de Occam o simplicidad heurística). Aunque éste es un principio atractivo y utilizado a menudo, es importante recordar que no existe base biológica para esta afirmación. Los errores de la simplicidad heurística incluyen el cierre prematuro lo que ocasiona que no se analicen síntomas o datos clínicos significativos inexplicados.

Cualquier médico con experiencia utiliza el proceso de razonamiento analítico (sistema 2) cuando se reconoce que el problema al que se enfrenta es complejo o que involucra elementos o características importantes con las que no está familiarizado. En tales situaciones, los médicos proceden de una forma mucho más metódica en lo que se conoce como modelo de razonamiento hipotético-deductivo. Desde el inicio, los médicos con experiencia trabajan de manera analítica para generar, refinar y descartar hipótesis diagnósticas. Las hipótesis dirigen las preguntas realizadas durante la anamnesis y pueden cambiar con base en la hipótesis de trabajo del momento. Incluso la exploración física se dirige con base en las hipótesis de trabajo. ¿Hay esplenomegalia? ¿Cuál es el tamaño del hígado? ¿Hay dolor a la palpación? ¿Hay tumoraciones o nódulos palpables? Cada pregunta debe responderse antes de que el médico pueda pasar a la siguiente pregunta específica. Cada hipótesis diagnóstica proporciona predicciones susceptibles de comprobación y establece un contexto para la siguiente pregunta o paso a seguir. Por ejemplo, si hay hepatomegalia muy dolorosa durante la exploración física se sospecha hepatitis aguda (la hipótesis), en cuyo caso ciertas pruebas de función hepática específicas deben estar notablemente elevadas (predicción). Si las pruebas son normales, la hipótesis podría descartarse o modificarse de manera sustancial.

Los datos negativos a menudo se pasan por alto, pero son tan importantes como los positivos, porque a menudo reduce la probabilidad de hipótesis diagnósticas que se tienen en mente. El dolor torácico que no es provocado o que empeora con el esfuerzo en un paciente activo reduce la probabilidad de cardiopatía isquémica crónica como causa subyacente. La ausencia de taquicardia en reposo y aumento de tamaño de la glándula tiroides reduce la probabilidad de hipertiroidismo en un paciente con fibrilación auricular paroxística.

La gravedad de la enfermedad del paciente puede invalidar consideraciones de prevalencia y otros problemas antes descritos. Los “imperativos diagnóstico” reconocen la importancia de un diagnóstico relativamente poco común pero potencialmente catastrófico si no se diagnostica o si se trata de manera inapropiada. Por ejemplo, se ha enseñado a los médicos que consideren la disección aórtica de manera sistemática siempre que sea posible en casos de dolor torácico agudo grave. Aunque las manifestaciones clínicas típicas de la disección aórtica difieren de las del infarto miocárdico, la disección es menos prevalente, de forma que diagnosticar la disección es difícil a menos que se le considere de manera explícita y sistemática como un imperativo diagnóstico (cap. 301). Si el médico no detecta alguna de las características clínicas de la disección aórtica por medio de la anamnesis y encuentra presiones arteriales iguales en ambas extremidades superiores, sin déficit de pulsos, podría eliminar con seguridad la hipótesis de disección aórtica. Sin embargo, si la radiografía de tórax muestra probable ensanchamiento del mediastino, debería continuarse con la hipótesis y solicitar estudios adicionales de imagen (ECG CT de tórax, ecocardiografía transesofágica) para una valoración más completa. En situaciones que no implican urgencia, la prevalencia de diagnósticos potenciales alternativos debe desempeñar una función más prominente en la producción de hipótesis diagnósticas.

Los científicos cognitivos que estudian el proceso de pensamiento de médicos expertos han observado que los médicos agrupan la información en “paquete” que se almacena en la memoria de corto plazo o “memoria de trabajo” y que la manipula para generar hipótesis diagnósticas. Como la memoria a corto plazo por lo general conserva sólo cinco a nueve elementos por vez, el número de paquetes que pueden integrarse de manera activa en las actividades de producción de hipótesis se limita de la misma forma. Por esta razón, los atajos cognitivos antes mencionados desempeñan una función importante en la generación de hipótesis diagnósticas, muchas de las cuales se descartan con tanta rapidez como se forman (con lo que se demuestra que la distinción entre el razonamiento analítico y el intuitivo es una representación arbitraria y simplista, pero sin embargo útil, del estado cognitivo).

La investigación en el modelo hipotético-deductivo de razonamiento ha identificado de manera sorprendentemente difícil los elementos del proceso de razonamiento que distinguen a los expertos de los novatos. Esto ha llevado a una modificación del análisis del proceso de resolución de problemas de los expertos para analizar la organización de su conocimiento. Por ejemplo, el diagnóstico puede basarse en la similitud de los nuevos casos con casos individuales anteriores (ejemplares). Los expertos tienen una cantidad mucho mayor de casos memorizados, por ejemplo en la memoria visual a largo plazo para radiología. Sin embargo, los médicos no dependen simplemente de recordar de manera literal casos específicos sino que han construido redes conceptuales elaboradas para memorizar información o modelos de enfermedad como ayuda para llegar a sus conclusiones. Es decir, el experto involucra una mayor capacidad para conectar los síntomas, signos y factores de riesgo uno con otro de manera significativa; relaciona esos datos con los posibles diagnósticos e identifica información adicional necesaria para confirmar el diagnóstico.

Ninguna teoría aislada explica todas las características fundamentales de la experiencia en el diagnóstico médico. Los expertos tienen más conocimientos sobre más cosas y un repertorio mayor de herramientas cognitivas para emplearlas en la resolución de problemas en comparación con los novatos. Una definición de experiencia resalta la capacidad para realizar distinciones fuertes. En este sentido, la experiencia involucra el conocimiento de trabajo de posibilidades diagnósticas y de qué características diferencian una enfermedad de otra. La memorización por sí sola es insuficiente. Memorizar un libro de texto de medicina no hace a un individuo experto. Sin embargo, tener acceso a información relevante, detallada y específica es de importancia fundamental. Los médicos del pasado se basaban en su propia experiencia recordada. Los médicos del futuro serán capaces de tener acceso a la experiencia de un gran número de médicos utilizando herramientas electrónicas, pero, al igual que en la memorización de libros de textos, los datos por sí solos no crearán un experto al instante. El experto añade éstos a una base de datos interna amplia de conocimientos y experiencias que no está disponible para los novatos (y para los no expertos).

Pese a todo el trabajo que se ha realizado para comprender la experiencia, tanto en medicina como en otras disciplinas, no existe la certeza de que exista algún programa didáctico que puede acelerar la progresión desde novato a experto o desde un médico con experiencia a un maestro con gran experiencia. La práctica deliberada y que requiere esfuerzo (sobre un periodo prolongado, que se dice en ocasiones puede ser de 10 años o 10 000 horas de práctica) y la asesoría personal son dos estrategias que menudo se utilizan fuera de la medicina (p. ej., música, deportes, ajedrez) para favorecer la experiencia. Su uso en el desarrollo de experiencia médica o bien, para conservarla o incrementarla, no se ha explorado de manera adecuada.

DIAGNÓSTICO Y TOMA DE DECISIONES TERAPÉUTICAS

El ideal moderno de toma de decisiones terapéuticas médicas consiste en “personalizar” la recomendación. En términos abstractos, personalizar el tratamiento involucra combinar la mejor evidencia disponible sobre lo que funciona con las características singulares del paciente individual (p. ej., factores de riesgo), sus preferencias y objetivos de salud para elaborar una recomendación terapéutica óptima para el paciente. Desde el punto de vista operacional, hay dos niveles diferentes y complementarios de personalización posibles: individualizar la evidencia para pacientes específicos con base en las características clínicas relevantes y de otro tipo, y personalizar la interacción con el paciente al incorporar sus valores, lo que a menudo se conoce como toma de decisiones compartidas, que son de importancia clínica pero que rebasan los objetivos de este capítulo.

La individualización de la evidencia con respecto al tratamiento no significa depender de la impresión del médico de lo que funciona con base en su experiencia personal. Por el pequeño tamaño de las muestras y de eventos poco comunes, la posibilidad de obtener inferencias causales erróneas a partir de la propia experiencia del médico es muy elevada. Para la mayor parte de enfermedades crónicas, la eficacia terapéutica sólo se puede demostrar de manera estadística en poblaciones de pacientes. Sería incorrecto inferir con cualquier certeza, por ejemplo, que el tratamiento de los pacientes hipertensos con inhibidores de la enzima convertidora de angiotensina (ACE) necesariamente evita que ocurra apoplejía durante el tratamiento o que un paciente no tratado o uno que no ha recibido tratamiento habría evitado una apoplejía si se le hubiera suministrado el tratamiento. Para muchas enfermedades crónicas, la mayor parte de los pacientes permanece sin eventos pese a las opciones terapéuticas; algunos tendrán eventos sin importar el tratamiento elegido y aquellos en quienes se habría evitado un evento por medio del tratamiento no pueden identificarse de manera individual. La reducción de la presión arterial, un punto de valoración fácilmente observable, no tiene una relación estrecha con la prevención de apoplejías. En consecuencia, demostrar la eficacia terapéutica no puede depender simplemente de la observación de los resultados de un paciente individual, sino que debe basarse en grupos grandes de pacientes estudiados cuidadosamente y analizados de manera apropiada.

Por tanto, la toma de decisiones terapéuticas se basa en la mejor evidencia disponible obtenida de estudios clínicos y de los resultados de estudios bien realizados. Las guías de práctica clínica autorizadas, bien elaboradas, que sintetizan tal evidencia deben estar fácilmente disponibles, ser fiables y contar con información confiable relevante para muchas de las decisiones terapéuticas que el médico enfrenta. Sin embargo, todas las guías reconocen que no existen “guías apropiadas para todos”, que podrían no ser apropiadas para un paciente individual. Se ha puesto mayor atención en la comprensión de cómo ajustar el nivel de evidencia clínica de los tratamientos nocivos y los beneficios para considerar el nivel de riesgo que enfrentan subgrupos e incluso pacientes individuales utilizando, por ejemplo, calificaciones de riesgo clínico validadas.

INFLUENCIAS NO MÉDICAS EN LA TOMA DE DECISIONES CLÍNICAS

Más de una década de investigación en las variaciones en los patrones de práctica clínica ha dado mucha luz sobre las fuerzas que constituyen la toma de decisiones clínicas. Estos factores pueden agruparse, desde el punto de vista conceptual, en tres categorías que se superponen: 1) factores relacionados con las características personales del médico y su estilo de práctica médica, 2) factores relacionados con el entorno en el que realizan su práctica médica y 3) factores relacionados con incentivos económicos.

Factores relacionados con el estilo de la práctica médica

Para asegurar que se proporciona la atención médica necesaria con un alto nivel de calidad, los médicos satisfacen una función fundamental en la atención médica al servir como agentes de sus pacientes. Los factores que influyen en el desempeño de esta función incluyen el conocimiento del médico, su capacitación y experiencia. Los médicos no pueden practicar la EBM (descrita más adelante en este capítulo) si no están familiarizados con la evidencia. Como sería de esperarse, los especialistas por lo general conocen la evidencia en sus campos mejor que los médicos generales. Más allá de la evidencia publicada y de las guías de práctica clínica, un grupo importante de influencias sobre la práctica médica pueden incluirse bajo el concepto general de “estilo de práctica médica”. El estilo de la práctica médica sirve para definir las normas de conducta clínica. Las creencias sobre eficacia de los diferentes tratamientos y los patrones preferidos de pruebas diagnósticas utilizadas son ejemplos de diferentes facetas de estilos de práctica. Las creencias del médico que llevan a estos diferentes estilos de práctica pueden basarse en la experiencia personal, obtención e interpretación de la evidencia médica disponible. Por ejemplo, los especialistas en insuficiencia cardiaca tienen mucha mayor probabilidad en comparación con los médicos generales de administrar dosis más elevadas de inhibidores de la ACE en el tratamiento de pacientes con insuficiencia cardiaca, porque están más familiarizados con los objetivos terapéuticos (definidos por estudios clínicos grandes), porque utilizan con mayor frecuencia fármacos específicos (lo que incluye los efectos secundarios) y tienen menos probabilidad de reaccionar de manera excesiva a problemas predecibles en el tratamiento, como el incremento de las concentraciones de creatinina o hipotensión asintomática.

Más allá del bienestar del paciente, las percepciones del médico sobre los riesgos de demandas por mala práctica médica ocasionada por decisiones erróneas o malos resultados pueden favorecer las decisiones clínicas y crear una práctica conocida como medicina defensiva. Esta práctica incluye utilizar pruebas y tratamientos con muy poco margen de beneficios presuntamente para impedir críticas a futuro en caso de que se produzca un resultado adverso. Sin ningún conocimiento consciente de la conexión con el riesgo de demandas, con el paso del tiempo estos patrones de atención pueden aceptarse como parte de la práctica habitual, con lo que se perpetúa su abuso, por ejemplo, la realización de pruebas cardiacas de esfuerzo en pacientes asintomáticos.

Factores relacionados con el entorno de la práctica médica

Los factores en esta categoría se relacionan con los recursos físicos disponibles para la práctica del médico y el entorno de trabajo. El término demanda inducida por un médico se refiere a la observación repetida de que una vez que se dispone de instalaciones y tecnologías médicas, éstas serán utilizadas. Otros factores ambientales que pueden influir en la toma de decisiones incluyen disponibilidad local de especialistas para consultas y procedimientos; instalaciones para estudios de imagen o procedimientos avanzados “de alta tecnología” como equipos de resonancia magnética nuclear y centros de tratamiento con haz de protones y la fragmentación de la atención médica.

Incentivos económicos

Los incentivos económicos tienen relación estrecha con las otras dos categorías de factores que modifican la práctica médica. Los aspectos financieros pueden ejercer influencia estimuladora e inhibidora sobre la práctica clínica. En términos generales, a los médicos se les paga una cuota por servicio, por aseguramiento o por salario. Cuando se paga por cuota o por servicio, los médicos que trabajan más cobran más, con lo que se fomenta la sobreutilización, de manera consciente o inconsciente. Cuando se reducen las cuotas (rembolso con descuentos), los médicos tienden a incrementar el número de servicios proporcionados para conservar sus ingresos. Por el contrario, cuando se cobra por aseguramiento, se obtiene un pago fijo por paciente por año para favorecer que los médicos tomen en consideración el presupuesto para la población general en el tratamiento de pacientes individuales y que de manera ideal, reduzcan el uso de intervenciones con un pequeño margen de beneficio. A diferencia de los servicios preventivos poco costosos, es más probable que este tipo de incentivo afecte el incremento de las intervenciones. Para desalentar la utilización excesiva por volumen, la compensación por salario fijo es la misma cuota para los médicos sin importar el esfuerzo consumido, esto puede ser un incentivo para valorar menos pacientes.

Pese a los grandes avances tecnológicos en medicina en el último siglo, permanecen ciertos aspectos difíciles en la toma de decisiones en medicina. Un factor en esta dificultad es la sobrecarga masiva de información que caracteriza a la medicina moderna. Hoy en día el médico necesita tener acceso a casi 2 millones de piezas de información para la práctica de la medicina. Con base en una estimación, los médicos se han inscrito en promedio a siete revistas, lo que representa más de 2 500 nuevos artículos cada año. Para que esta información sea de utilidad debe ser filtrada para su aplicabilidad y después integrarse con los datos específicos de los pacientes. Aunque las computadoras parecen ofrecer una solución obvia para el manejo de la información y para la cuantificación de las dudas de atención médica, deben resolverse muchos problemas prácticos antes que la toma de decisiones con apoyo de la computadora puedan incorporarse de manera sistemática en el proceso de razonamiento clínico en una forma que mejore de manera demostrable la calidad de la atención médica. A la fecha, la comprensión de la información sobre la naturaleza de las pruebas diagnósticas puede ayudar a los médicos a volverse usuarios más eficientes en el uso de tales datos. La siguiente sección revisa conceptos importantes relacionados con las pruebas diagnósticas.

PRUEBAS DIAGNÓSTICAS: MEDICIÓN DE LA PRECISIÓN DE LAS PRUEBAS

El objetivo de realizar una prueba en un paciente es reducir la falta de certeza con respecto al diagnóstico y pronóstico del individuo a fin de facilitar el tratamiento óptimo. Aunque las pruebas diagnósticas por lo general se consideran como exámenes de laboratorio (p. ej., biometría hemática) o procedimientos (p. ej., colonoscopia o broncoscopia, cualquier tecnología que cambie la comprensión del médico del problema del paciente califica como prueba diagnóstica. Así, incluso la anamnesis y la exploración física pueden considerarse como una forma de prueba diagnóstica. En la medicina clínica, es común reducir los resultados de la prueba a un resultado dicotómico, como positivo o negativo, normal o anormal. Aunque esta simplificación ignora información útil (como el grado de la anomalía), tal simplificación facilita demostrar los principios fundamentales de la interpretación de las pruebas analizadas a continuación.

La precisión de las pruebas diagnósticas se define en relación con un “método ideal” aceptado, que define el presunto estado real del paciente (cuadro 3-1). Identificar el desempeño diagnóstico de una nueva prueba requiere identificar la población apropiada (idealmente, en pacientes en quienes debe utilizarse la nueva prueba) y aplicar los métodos nuevos y los métodos ideales a todos los sujetos. La estimación del sesgo de la realización de la prueba puede ocurrir al utilizar una población inapropiada o en quienes se aplique de manera incompleta el método ideal. Al comparar las dos pruebas, se determinan las características de la nueva prueba. La sensibilidad o tasa de resultados positivos verdaderos de una nueva prueba es la proporción de pacientes con la enfermedad (definida por el método ideal) que tienen un resultado positivo en la prueba (nueva prueba). Esta medición refleja que también la nueva prueba identifica a los pacientes con enfermedad. La proporción de pacientes con enfermedad que tienen una prueba negativa es la tasa de resultados negativos falsos, que se calcula como 1 – sensibilidad. Entre los pacientes sin enfermedad, la proporción de casos con pruebas negativas corresponde a la especificidad o tasa de resultados negativos verdaderos. Esta medición refleja que también las nuevas pruebas identifican de manera correcta a los pacientes sin enfermedad. Entre los pacientes sin enfermedad, la proporción de aquellos que tienen pruebas positivas es la tasa de falsos positivos, calculada como 1 – especificidad. Una prueba perfecta tendría una sensibilidad de 100% con especificidad de 100% y diferenciaría por completo a los pacientes con o sin enfermedad.

El cálculo de la sensibilidad y especificidad requiere la selección de un valor umbral o punto de referencia por arriba del cual la prueba se considera “positiva”. Al hacer que el valor de referencia sea más “estricto” (p. ej., al incrementar el valor) se reduce la sensibilidad, pero se mejora la especificidad mientras que establecer un punto de referencia “más laxo” (p. ej., al reducir el valor) incrementa la sensibilidad pero reduce la especificidad. Esta compensación dinámica entre una identificación más precisa de sujetos con enfermedad en comparación con aquellos sin enfermedad a menudo se muestra gráficamente con una curva ROC (receiver operating charateristic) (fig. 3-1) al graficar la sensibilidad (eje y) en comparación con 1 – especificidad (eje x). Cada punto de la curva representa un valor potencial con una cifra de sensibilidad y especificidad asociada. El área bajo la curva ROC a menudo se utiliza como medición cuantitativa de la información contenida en la prueba. El intervalo de valores va de 0.5 (información no diagnóstica en lo absoluto (la prueba es equivalente a lanzar una moneda al aire) a 1.0 (prueba perfecta). La elección del punto de referencia depende de los riesgos y beneficios relativos del tratamiento para aquellos con y sin enfermedad. Por ejemplo, si el tratamiento es seguro con beneficios sustanciales, entonces se elige un punto de referencia con alta sensibilidad (porción superior derecha de la curva ROC) que podría ser apropiado para una prueba con bajo riesgo (p. ej., detección de fenilcetonuria en recién nacidos); pero si el tratamiento conlleva un riesgo sustancial de lesión, entonces podría ser apropiado elegir un punto de referencia con gran especificidad (cuadrante inferior izquierdo de la curva ROC) (p. ej., amniocentesis que podría ocasionar aborto terapéutico en un feto sano). La elección del punto de referencia también podría depender de la probabilidad de la enfermedad, con bajas probabilidades de poner un elevado énfasis en los riesgos de tratar a pacientes con pruebas falsas positivas y elevadas probabilidades de poner mayor énfasis en los beneficios pasados por alto al no dar tratamiento a las pruebas con resultados negativos falsos.

MEDIDAS DE PROBABILIDAD DE LA ENFERMEDAD Y REGLA DE BAYES

Por desgracia, no existe la prueba perfecta. Después de que se completa cada prueba, persiste la falta de certeza con respecto al verdadero estado del paciente. La cuantificación de esta falta de certeza residual puede realizarse con la prueba de Bayes, que proporcionó una forma simple de calcular la probabilidad de enfermedad después del resultado de una prueba o la probabilidad después de una prueba a partir de tres parámetros: la probabilidad de la enfermedad antes de la prueba, la sensibilidad de la prueba y la especificidad de la prueba. La probabilidad antes de la prueba es una estimación cuantitativa de la probabilidad del diagnóstico antes de realizar la prueba y suele ser la prevalencia de la enfermedad en la población estudiada, aunque en ocasiones puede ser la incidencia de la enfermedad. Para algunas enfermedades comunes, como la arteriopatía coronaria, los nomogramas y modelos estadísticos generan cálculos de la probabilidad antes de la prueba que toman en consideración los antecedentes, exploración física y resultados de la prueba. La probabilidad después de la prueba (también conocida como valor predictivo de la prueba) es un estado realizado de la probabilidad del diagnóstico, tomando en cuenta la probabilidad antes de la prueba y los resultados de ésta. Para la probabilidad de la enfermedad después de una prueba positiva (valor predictivo positivo), la regla de Bayes se calcula como:

Por ejemplo, con una probabilidad antes de la prueba de 0.50 y un resultado positivo en la prueba diagnóstica (sensibilidad de la prueba = 0.90 y especificidad = 0.90):

El término valor predictivo a menudo se utiliza como sinónimo para la probabilidad después de la prueba. Por desgracia, los médicos a menudo reportan de manera equivocada valores predictivos como mediciones intrínsecas de precisión de una prueba. Los estudios de las pruebas de diagnóstico incrementan la confusión al calcular cifras predictivas con la misma muestra utilizada para medir la sensibilidad y especificidad. Como la probabilidad después de la prueba está en función de la prevalencia de la enfermedad en toda la población estudiada, tales cálculos pueden ser erróneos a menos que la prueba se aplique de manera subsecuente a poblaciones con la misma prevalencia de la enfermedad. Por tales razones, es mejor evitar el término valor predictivo en favor de un término más informativo como probabilidad después de la prueba, seguido de un resultado de prueba positivo o negativo.

La versión en nomogramas de la regla de Bayes (fig. 3-2) ayuda a que se comprenda desde el punto de vista conceptual cómo se calcula la probabilidad de la enfermedad después de la prueba. En este nomograma, el impacto del resultado de la prueba diagnóstica se resume como la razón de probabilidad, que se define como la proporción de probabilidad de un resultado dado (p. ej., “positivo” o “negativo”) en un paciente con enfermedad con la probabilidad del resultado en un paciente sin enfermedad, con lo que se proporciona una medición de que también la prueba diferencia entre aquellos con y sin enfermedad.

Para una prueba positiva, la razón de probabilidad positiva se calcula como la razón de resultados positivos verdaderos/resultados positivos falsos (o sensibilidad/[1 – especificidad]). Por ejemplo, una prueba con sensibilidad de 0.90 y especificidad de 0.90 tiene una razón de probabilidades de 0.90/(1 – 0.90) o 9. Así, para esta prueba hipotética, el resultado “positivo” es nueve veces más probable en un paciente con enfermedad que en un paciente sin ésta. La mayor parte de las pruebas en medicina tienen razones de probabilidad para un resultado positivo entre 1.5 y 20. Mientras más elevada sea la cifra relacionada con la prueba, más sustancial es el incremento en la probabilidad de la enfermedad después de realizada la prueba. Una razón de probabilidades positiva muy elevada (de más de 10) por lo general implica gran especificidad, de forma que una prueba con especificidad muy positiva ayuda a “descartar” la enfermedad. Si la sensibilidad es excelente pero la especificidad no lo es, la razón de probabilidades se reduce de manera sustancial (p. ej., con sensibilidad de 90% y especificidad de 55%, la razón de probabilidades es de 2.0).

Para una prueba negativa, la razón de probabilidades negativas correspondiente es la razón de la tasa de resultados negativos falsos con resultados negativos verdaderos (o [1 – sensibilidad]/especificidad). Mientras más baja sea la cifra de la razón de probabilidades más baja será la probabilidad de la enfermedad después de la prueba. Una razón de probabilidades negativas muy baja (por debajo de 0.10) por lo general implica una gran sensibilidad, de forma que una prueba negativa con sensibilidad elevada ayuda a “descartar” la enfermedad. La prueba hipotética considerada antes con sensibilidad de 0.9 y especificidad de 0.9 tendría una razón de probabilidades para un resultado negativo de (1 – 0.9)/0.9 o 0.11, lo que significa que el resultado negativo se acompaña de una probabilidad de una décima parte en pacientes con enfermedad en comparación con los individuos que no la padecen (o sea, 10 veces más probable en individuos sin enfermedad que en aquellos que la padecen).

APLICACIÓN DE LAS PRUEBAS DIAGNÓSTICAS EN ARTERIOPATÍA CORONARIA

Considérense dos pruebas utilizadas a menudo en el diagnóstico de arteriopatía coronaria; una prueba de esfuerzo en banda sin fin y la prueba de imagen miocárdica con perfusión y tomografía computarizada con emisión de fotón único (SPECT, single-photon emission CT) (cap. 270e). Los metaanálisis han demostrado que una respuesta positiva sobre el segmento de CT en la banda sin fin tiene una sensibilidad en promedio de 66% y una especificidad en promedio de 84%, lo que da origen a una razón de probabilidades de 4.1 (0.66/[1 – 0.84]) (consistente con una cifra de discriminación pequeña, pero que se encuentra entre 2 y 5). Para un paciente con una probabilidad de arteriopatía coronaria antes de la prueba, la probabilidad de la enfermedad después de la prueba con un resultado positivo se incrementa en sólo casi 30%. Si un paciente con probabilidad de 80% de arteriopatía coronaria antes de la prueba tiene un resultado positivo, la probabilidad de la enfermedad después de la prueba es de casi 95 por ciento.

Por el contrario, la prueba de perfusión miocárdica con SPECT durante el esfuerzo es más precisa para arteriopatía coronaria. Con fines de simplicidad, asume que el resultado del defecto de perfusión inducido por el esfuerzo y que es reversible tiene sensibilidad y especificidad de 90%, lo que da origen a una razón de probabilidades para una prueba positiva de 9.0 (0.90/[1 – 0.90]) (compatible con capacidad discriminatoria moderada porque se encuentra entre 5 y 10). Para el mismo paciente con probabilidad de 10% antes de la prueba, una prueba positiva incrementa la probabilidad de arteriopatía coronaria a 50% (fig. 3-2). Sin embargo, pese a las diferencias en las probabilidades después de la prueba entre estas dos pruebas (30 en comparación con 50%), la prueba diagnóstica más precisa puede no mejorar la probabilidad diagnóstica lo suficiente para modificar el tratamiento del paciente (p. ej., tomar la decisión de enviar al paciente a cateterismo cardiaco) porque la prueba más precisa ha incrementado sólo ligeramente la certeza de que el paciente no tiene arteriopatía coronaria a una posibilidad de 50/50. En un paciente con probabilidad de 80% antes de la prueba, la prueba SPECT incrementa la probabilidad después de la prueba a 97% (en comparación con 95% para la prueba en banda sin fin). Una vez más, las pruebas más precisas no proporcionan una mejoría suficiente en la confianza después de la realización de la prueba para modificar el tratamiento y ninguna de ambas pruebas ha mejorado mucho lo que se sabía sólo con base en los datos clínicos.

En general, un resultado positivo con una prueba precisa (p. ej., razón de probabilidades positivas de 10) cuando la probabilidad antes de la prueba es baja (p. ej., 20%) no modifica la probabilidad después de la prueba de incrementarse lo suficiente para descartar la enfermedad (p. ej., 80%). En situaciones de detección, las probabilidades antes de la prueba a menudo son particularmente bajas porque los pacientes cursan asintomáticos. En tales casos, la especificidad se vuelve en particular importante. Por ejemplo, para la detección en mujeres que donan sangre por primera vez sin factores de riesgo para VIH, una prueba positiva incrementa la probabilidad de infección por VIH en sólo 67%, pese a una especificidad de 99.995%, porque la prevalencia para ese momento era de 0.01%. Por el contrario, con una probabilidad elevada antes de la prueba, una prueba negativa no descarta la enfermedad de manera adecuada si no tiene la sensibilidad suficiente. Así, la mayor probabilidad diagnóstica después de una prueba ocurre cuando el médico tiene la menor certeza (p. ej., probabilidad antes de la prueba de 30 a 70%). Por ejemplo, si un paciente tiene una probabilidad de arteriopatía coronaria antes de la prueba de 50% una prueba de esfuerzo en banda sin fin modificará la probabilidad después de la prueba a 80% y una prueba de perfusión SPECT de esfuerzo positiva la modificará a 90% (fig. 3-2).

Como se mencionó antes, la regla de Bayes emplea diversas simplificaciones importantes que deben considerarse. En primer lugar, sólo unas cuantas pruebas tienen sólo resultados positivos o negativos y muchas pruebas proporcionan múltiples resultados (p. ej., depresión del segmento ST y duración del ejercicio con la prueba de esfuerzo). Aunque la regla de Bayes puede adaptarse a este formato de resultado de prueba más detallado, también es más complejo desde el punto de vista operativo. De la misma forma, cuando se realizan múltiples pruebas, la probabilidad después de la prueba puede utilizarse como la probabilidad antes de la prueba para interpretar la segunda prueba. Sin embargo, esta simplificación asume independencia condicional (es decir, que el resultado de la primera prueba no afecta la probabilidad del resultado de la segunda prueba) lo que a menudo no es cierto.

Por último, se ha afirmado desde hace mucho tiempo que la sensibilidad y especificidad son parámetros de precisión de la prueba independientes de la prevalencia y muchos textos aún realizan esta afirmación. Ésta es una suposición útil en estadística, aunque es simplista desde el punto de vista clínico. Por ejemplo, una prueba de esfuerzo en banda sin fin tiene sensibilidad en una población de pacientes con arteriopatía coronaria de un vaso de casi 30%, mientras que la sensibilidad en pacientes con afección de tres vasos se acerca a 80%. Así, la mejor estimación de la sensibilidad para utilizarla en una decisión en particular puede variar, dependiendo de la gravedad de la enfermedad en la población local. Una población de pacientes hospitalizada, sintomática o referida de otra unidad médica por lo general tiene mayor prevalencia de la enfermedad y, en particular, una mayor prevalencia de enfermedad más avanzada que la población ambulatoria de pacientes. En consecuencia, la sensibilidad de la prueba es más elevada en los pacientes hospitalizados y la especificidad es más alta en pacientes ambulatorios.

MODELOS DE PREDICCIÓN ESTADÍSTICA

La regla de Bayes, que es ilustrativa como se mencionó antes, proporciona una solución simple poco realista a la mayor parte de los problemas que enfrenta el médico. Las predicciones que se basan en modelos estadísticos de múltiples variables pueden atender con precisión estos problemas más complejos al tomar en consideración características específicas del paciente. En particular, estos modelos toman en cuenta de manera explícita múltiples partes de información específica del paciente que posiblemente se sobreponen y que asignan un peso relativo a cada una con base en su contribución singular a la predicción en cuestión. Por ejemplo, un modelo de regresión logística para predecir la probabilidad de arteriopatía coronaria considera todos los factores independientes relevantes obtenidos de la exploración clínica y pruebas diagnósticas así como su importancia, en lugar de los datos limitados que los médicos pueden manejar en su cabeza o con la regla de Bayes. Sin embargo, pese a su fortaleza, los modelos de predicción por lo general son muy complejos desde el punto de vista operativo para utilizarlos sin una calculadora o computadora (aunque esta limitación podría superarse una vez que la medicina se practique por completo a través de una plataforma computarizada).

A la fecha, sólo unos cuantos modelos de predicción han sido validados de manera apropiada (p. ej., criterios de Wells para la embolia pulmonar) (cuadro 3-2). No puede pasarse por alto la importancia de la validación independiente en una población diferente de la utilizada para desarrollar el modelo. Un modelo de predicción no validado debe ser percibido con el escepticismo apropiado para cualquier nuevo fármaco o dispositivo médico que no ha sido sometido a pruebas clínicas rigurosas.

Cuando los modelos estadísticos se han comparado directamente con médicos expertos, se ha encontrado que son más consistentes, como sería de esperarse, pero no significativamente más precisos. Su mayor promesa puede ser para ayudar a los médicos con menor experiencia en la identificación de pacientes críticos y lograr una mayor precisión en su pronóstico.

SISTEMAS DE APOYO PARA LA TOMA DE DECISIONES

En los últimos 40 años, se han realizado múltiples intentos para desarrollar sistemas computacionales a fin de ayudar en la toma de decisiones clínicas y en el tratamiento de los pacientes. Esto es atractivo desde el punto de vista conceptual porque las computadoras ofrecen acceso fácil a la gran cantidad de información disponible para el médico hoy en día, la cual puede ser utilizada para apoyar la toma de decisiones, para elaborar predicciones precisas de los resultados y simular el proceso completo de toma de decisiones o al proporcionar un algoritmo como guía. Las predicciones con computadora utilizando modelos bayesianos o de regresión estadística informan una decisión clínica pero en realidad no llegan a una “conclusión” o “recomendación”. Los sistemas de inteligencia artificial intentan simular o sustituir el razonamiento del ser humano con un análogo por computadora. A la fecha, tales métodos han logrado éxito limitado. Los recordatorios o los protocolos dirigidos por computadora no realizan predicciones, sino que utilizan algoritmos existentes, como guías de práctica clínica, para guiar la toma de decisiones. Sin embargo, en términos generales los sistemas de apoyo a la toma de decisiones han tenido poco impacto en la práctica. Los sistemas de recordatorio, aunque no se usan ampliamente, han mostrado ser los más promisorios, en particular para corregir la dosificación farmacológica y favorecer el apego a las guías terapéuticas. La lista de verificación, por ejemplo como la que utilizan los pilotos, ha obtenido apoyo reciente como método para evitar o reducir errores.

ANÁLISIS DE DECISIONES

En comparación con los métodos de apoyo antes mencionados para la toma de decisiones, el análisis de decisiones representa un método de prescripción para la toma de decisiones cuando se enfrentan a situaciones de falta de certeza. Su principal aplicación es en la toma de decisiones complejas que involucran riesgo sustancial, en situaciones de falta de certeza notable, compensaciones en los resultados haciendo énfasis en la participación de las preferencias o falta de evidencia por características idiosincrásicas. En la figura 3-3 se muestra un árbol de decisiones como ejemplo para la salud pública con el fin de valorar estrategias para detectar la infección por VIH. Los individuos infectados que desconocen padecer la enfermedad pueden representar hasta 20 000 nuevos casos de infección por VIH por año en Estados Unidos y casi 40% de los pacientes positivos para VIH progresan a sida un año después del diagnóstico inicial por el retraso en el diagnóstico. La identificación temprana ofrece la oportunidad de evitar la progresión hacia sida a través del recuento de células CD4 y vigilancia de la carga viral y la combinación de tratamiento antirretroviral para reducir la diseminación y mediante la reducción del riesgo por inyecciones o por conductas sexuales.

En el año 2003, los Centers for Disease Control and Prevention (CDC) propusieron que debía incorporarse la prueba universal de VIH a la atención médica estándar de los adultos y, en parte, citarse como un modelo de análisis de decisiones para comparar la detección de VIH con la atención habitual. Asumiendo una prevalencia de 1% de infección por VIH no identificada en la población, la detección sistemática de un grupo de varones y mujeres de 43 años de edad incrementó la esperanza de vida en 5.5 días y costos de por vida de 194 dólares estadounidenses por persona analizada, resultando en un incremento de la razón de rentabilidad para la detección en comparación con la atención habitual de 15 078 dólares estadounidenses por año de vida ajustado a la calidad (el costo adicional para la sociedad de incrementar la salud de la población por un año de salud perfecta). Los factores que influyeron en los resultados incluyeron la suposición de la eficacia de la modificación de las conductas sobre la conducta sexual subsiguiente, los beneficios del tratamiento temprano de la infección por VIH y la prevalencia e incidencia de infección por VIH en la población estudiada. Este modelo, que requiere más de 75 datos puntuales separados, proporciona información novedosa para el problema de salud pública en ausencia de estudios clínicos con asignación al azar y ayuda a sopesar los aspectos a favor y en contra de tales recomendaciones de política de salud. Aunque se han desarrollado tales modelos para problemas clínicos selectos, aún debe demostrarse su beneficio y aplicación al tratamiento clínico individual en tiempo real.

La atención médica de alta calidad inicia con un diagnóstico preciso. En fechas recientes se han visualizado los errores diagnósticos de una manera diferente: la percepción antigua era que se originaban por la falta de capacidad suficiente de un médico individual; la nueva percepción es que representan un problema de calidad de la atención relacionada con la seguridad del paciente, que es susceptible de rastreo para detectar las fallas en el sistema de salud. Aún no se sabe si la modificación conceptual ocasionará nuevas formas para mejorar el diagnóstico. A menudo se cita una tasa anual de errores diagnósticos de 10 a 15%, que tal vez cause 40 000 muertes en Estados Unidos, pero estas cifras son imprecisas.

Las soluciones para los “errores diagnósticos como un sistema de atender los problemas” se han dirigido a métodos de niveles del sistema, como el apoyo a la toma de decisiones y otras herramientas integradas en los expedientes médicos electrónicos. Se ha propuesto el uso de una lista de verificación como mecanismo para reducir algunos de los errores cognitivos comentados en este capítulo, como el cierre prematuro de la valoración médica. Aunque las listas de verificación han mostrado ser de utilidad en ciertos contextos médicos, como en la sala de operaciones y unidades de cuidados intensivos, aún debe demostrarse su utilidad para evitar errores diagnósticos que ocasionen eventos adversos en el paciente.

La medicina clínica se define de manera tradicional como una práctica que combina el conocimiento médico (que incluye la evidencia científica), la intuición y juicio en la atención de pacientes (cap. 1). La medicina basada en evidencias (EBM, evidence based medicine) actualiza este concepto al poner mucho mayor énfasis en el proceso por medio del cual los médicos obtienen conocimiento de las investigaciones clínicas más relevantes y actualizadas para determinar si las intervenciones médicas alteran la evolución de la enfermedad y mejoran la duración o la calidad de vida. El significado de practicar EBM se hace más claro a través del análisis de sus cuatro pasos fundamentales:

1. Formular una pregunta de tratamiento que debe responderse.

2. Investigación en las publicaciones médicas y bases de datos electrónicas para datos de investigaciones aplicables.

3. Análisis de la información recopilada con respecto a su validez y relevancia.

4. Integrar esta valoración con el conocimiento sobre aspectos singulares del paciente (lo que incluye preferencias del paciente con respecto a los posibles resultados).

El proceso de búsqueda de publicaciones internacionales y de analizar la calidad y relevancia de los estudios identificados o de consumir bastante tiempo, requiere conocimiento y capacitación que la mayor parte de los médicos no posee. Así, identificar revisiones sistemáticas recientes de problemas en cuestión (cuadro 3-3) puede ofrecer el mejor punto de inicio para las búsquedas de EBM.

En términos generales, las herramientas de EBM enumeradas en el cuadro 3-3 proporcionan acceso a información de investigación en una de dos formas. En primer lugar, los reportes de investigación primaria consisten en investigaciones originales realizadas por pares que son publicadas en revistas médicas y que están disponibles a través de MEDLINE en forma de resumen. Sin embargo, sin capacitación en el uso de MEDLINE, puede ser difícil localizar con rapidez y eficacia reportes en un mar de información irrelevante o citas de poca utilidad y podrían pasarse por alto estudios importantes. La segunda forma, las revisiones sistemáticas, tienen el más alto nivel jerárquico de evidencia porque resumen de manera amplia la evidencia disponible sobre un tema particular hasta cierta fecha. Para evitar sesgos potenciales en la revisión de los artículos, se utilizan estrategias de búsqueda explícitas predefinidas y se utilizan criterios de inclusión y exclusión para encontrar toda la información científica relevante y su grado de calidad. El prototipo para recursos de este tipo son las Cochrane Database of Systematic Reviews. Cuando sea apropiado, los metaanálisis resumen de manera cuantitativa los hallazgos de la revisión sistemática. En las siguientes dos secciones se explican los principales tipos de reportes de investigación clínica disponibles en las publicaciones médicas y el proceso de agregar los datos en metaanálisis.

FUENTES DE EVIDENCIA: ESTUDIOS CLÍNICOS Y REGISTROS

La noción del aprendizaje por observación de los pacientes es tan antigua como la medicina misma. En los últimos 50 años la comprensión de los médicos de cómo convertir la observación simple en evidencia útil ha evolucionado de manera considerable. Hoy en día se reconoce que los reportes de casos, experiencias anecdóticas personales y series de casos de centros médicos pequeños tienen graves limitaciones en cuanto a validez y aplicación general; y aunque pueden generar hipótesis o ser los primeros reportes de efectos adversos, no son de utilidad para formular los estándares modernos de la práctica médica. Las principales herramientas utilizadas para desarrollar evidencia fiable consisten de estudios clínicos con asignación al azar y registros observacionales grandes. Un registro o base de datos por lo general se dirige a una enfermedad o síndrome (p. ej., cáncer, arteriopatía coronaria, insuficiencia cardiaca), un procedimiento clínico (p. ej., trasplante de médula ósea, revascularización coronaria) o a un proceso administrativo (p. ej., datos de las demandas utilizadas para rembolso de gastos).

Por definición, en los datos observacionales, el investigador no controla la atención del paciente. Los datos observacionales prospectivos, reunidos con gran cuidado, pueden lograr un nivel de calidad de evidencia que se acerque al de los estudios clínicos importantes. En el otro extremo del espectro, los datos obtenidos de manera retrospectiva (p. ej., revisión de expedientes) son limitados en forma y contenido a lo que registraron los observadores previos, los cuales podrían no haber incluido los datos específicos de investigación que se buscan, por ejemplo, datos sobre inconformidades sobre la atención médica. La ventaja de los datos observacionales incluye la inclusión de una población más amplia de la que se encuentra en la práctica que típicamente se ve representada en los estudios clínicos, por sus criterios de inclusión y exclusión restrictivos. Además, los datos observacionales proporcionan evidencia primaria para preguntas de investigación cuando no pueden realizarse estudios clínicos con asignación al azar. Por ejemplo, podría ser difícil asignar a las pacientes para realizar pruebas diagnósticas o estrategias terapéuticas que no han sido probadas pero que se aceptan ampliamente en la práctica y que podría ser poco ético asignarlas al azar con base en el género, grupo étnico, estado socioeconómico o país de residencia para asignarlas en forma aleatoria a intervenciones potencialmente peligrosas como tabaquismo o consumo excesivo y deliberado de alimentos para desarrollar obesidad.

Un estudio observacional prospectivo bien realizado de una estrategia terapéutica particular difiere de los estudios clínicos bien realizados con asignación al azar sobre todo por su falta de protección de la selección de sesgo terapéutico. El uso de datos observacionales para comparar estrategias diagnósticas y terapéuticas asume que existe suficiente falta de certeza en la práctica clínica para asegurar que pacientes similares serán tratados de manera diferente por diferentes médicos. De manera abreviada, el análisis supone que existe un elemento aleatorio suficiente en el tratamiento clínico (en el sentido del trastorno más que de un sentido estadístico formal). En tales casos, los modelos estadísticos intentan ajustarse a desequilibrios importantes para “nivelar el campo de juego” de forma que se realice una comparación justa entre las opciones terapéuticas que pueden llevarse a cabo. Cuando el tratamiento claramente no se asigna de manera aleatoria (p. ej., todos los pacientes con CAD de la arteria coronaria izquierda elegibles son enviados para cirugía de derivación coronaria), el problema puede ser confuso (con sesgo) para la corrección estadística y los datos de la observación podrían no proporcionar evidencia fiable.

En términos generales, el uso de grupo testigo se prefiere en gran medida al del grupo testigo histórico. Por ejemplo, la comparación del tratamiento quirúrgico actual de la arteriopatía de la coronaria principal izquierda con pacientes que recibían tratamiento médico por la misma patología durante 1970 (la última ocasión en que los pacientes fueron tratados sólo con fármacos) sería extremadamente confuso porque el “tratamiento médico” ha mejorado sustancialmente en ese intervalo.

Los estudios clínicos con asignación al azar y grupo testigo incluyen características de diseño prospectivo cuidadoso de los mejores datos observacionales de estudios, pero también incluye el uso de asignación aleatoria para el tratamiento. Este diseño proporciona la mejor protección contra los factores de confusión medidos y no medidos relacionados con el sesgo de selección de tratamiento (un aspecto importante de validez interna). Sin embargo, los estudios clínicos con asignación al azar podrían no tener buena validez externa (aplicación general) si el proceso de reclutamiento en el estudio clínico fue consecuencia de la exclusión de muchos pacientes valorados en la práctica clínica.

Los consumidores de evidencia clínica necesitan estar conscientes de que los estudios clínicos con asignación al azar varían ampliamente en cuanto a su calidad y la posibilidad de ser llevados a la práctica. El proceso de diseño de tales estudios clínicos a menudo conlleva muchos compromisos. Por ejemplo, aquellos diseñados para obtener la aprobación de la U. S. Food and Drug Administration (FDA) para un fármaco o dispositivo en investigación deben satisfacer requerimientos reguladores que pueden ocasionar que la población estudiada y el diseño difiera sustancialmente de lo que los médicos podrían encontrar en la práctica clínica más habitual.

METAANÁLISIS

El prefijo griego meta significa algo en una etapa de desarrollo superior o más elevada. Los metaanálisis son la investigación que combina y resume de manera cuantitativa la evidencia disponible. Aunque en ocasiones se utiliza para examinar estudios clínicos sin asignación al azar, los metaanálisis se utilizan más a menudo para resumir todos los estudios clínicos con asignación al azar que examinen un tratamiento en particular. De manera ideal, deberían incluirse e identificarse estudios clínicos no publicados para evitar sesgos de publicación (p. ej., estudios clínicos “con resultados negativos” pasados por alto que podrían no ser publicados). Además, los mejores metaanálisis obtienen y analizan datos individuales del paciente de todos los estudios clínicos más que trabajar sólo con los datos resumidos en los reportes publicados por cada investigación clínica. Sin embargo, ninguno de los metaanálisis publicados proporciona evidencia fiable para un problema en particular, de forma que la metodología debe ser analizada cuidadosamente para asegurar un diseño y análisis apropiados del estudio. El resultado de un metaanálisis bien realizado probablemente sea más persuasivo e incluye al menos varios estudios clínicos con asignación al azar, a gran escala y realizados de manera apropiada. Los metaanálisis pueden ser en particular útiles para detectar beneficios cuando los estudios clínicos individuales no tienen la potencia estadística suficiente (p. ej., los beneficios del tratamiento trombolítico con estreptocinasa en el tratamiento del infarto agudo de miocardio demostrado por el estudio ISIS-2 publicado en 1988 se hicieron evidentes a inicios del decenio de 1970 a través de metaanálisis). Sin embargo, en los casos en que los estudios clínicos son pequeños o se realizan mal, los metaanálisis no serán percibidos como un remedio para la deficiencia en los datos de los estudios clínicos primarios. Los metaanálisis por lo general se dirigen a resúmenes de mediciones de beneficios relativos de los tratamientos, como razón de probabilidades o riesgo relativo. Los médicos también deben examinar que la reducción absoluta del riesgo (ARR) puede esperar de un tratamiento. Un resumen útil de medición del beneficio absoluto del tratamiento es el número necesario a tratar (NNT, number needed to treat) para evitar un evento adverso (p. ej., de muerte, apoplejía). El NNT se obtiene al dividir 1/ARR. Por ejemplo, si un tratamiento hipotético reduce las tasas de mortalidad en un periodo de vigilancia a cinco años en 33% (beneficio relativo del tratamiento) a partir de una cifra de 12% (grupo testigo) hasta 8% (grupo con tratamiento), la ARR debería ser 12% – 8% = 4% y el NNT debería ser de 1/0.04 o 25. Así, sería necesario tratar a 25 pacientes por cinco años para evitar una muerte. Si el tratamiento hipotético se aplica a población de bajo riesgo, digamos, con una tasa de mortalidad de 6% a cinco años, el tratamiento relativo de 33% reduciría la mortalidad absoluta en 2% (de 6 a 4%) y el NNT para el mismo tratamiento en grupos de bajo riesgo de pacientes podría ser de 50. Aunque no siempre se realiza de manera explícita, las comparaciones de NNT de diferentes estudios deben considerar la duración de la vigilancia utilizada para crear cada cálculo.

GUÍAS DE PRÁCTICA CLÍNICA

De acuerdo con la definición de 1990 del Institute of Medicine, las guías de práctica clínica son “declaraciones desarrolladas de manera sistemática para ayudar a los médicos practicantes y pacientes sobre las tomas de decisiones con respecto a la atención de salud apropiada para circunstancias clínicas específicas”. Esta definición hace énfasis en varias características cruciales del desarrollo de las guías de práctica clínica modernas. En primer lugar, las guías se crean utilizando herramientas de EBM. En particular, el centro del proceso de desarrollo es una búsqueda sistemática en publicaciones médicas, seguida de una revisión de las publicaciones médicas realizadas por pares. En segundo lugar, las guías por lo general se dirigen a un trastorno clínico (p. ej., diabetes en adultos, angina de pecho estable) o a una intervención de salud (p. ej., detección de cáncer). En tercer lugar, el objetivo primario de las guías es mejorar la calidad de la atención médica al identificar prácticas de salud que podrían implementarse de manera sistemática, con base en evidencia de alta calidad y con proporción elevada de riesgo/beneficio para las intervenciones. Las guías tienen por objeto “colaborar” en el proceso de toma de decisiones, no para definir de manera explícita qué decisiones deben tomarse en una situación en particular, en parte porque la evidencia por sí misma nunca es suficiente para la toma de decisiones clínicas (p. ej., decidir intubar a un paciente y administrar antibióticos por neumonía en individuos con enfermedad terminal, en individuos con demencia o en una mujer sana de 30 años de edad).

Las guías son documentos narrativos elaborados por un grupo de expertos cuya composición con frecuencia es determinada por organizaciones profesionales interesadas. Estos grupos de expertos varían en el grado en el cual representan a todos los grupos de interés relevantes. Las guías de práctica clínica consisten de un grupo de recomendaciones específicas de tratamiento, un resumen de indicaciones de la calidad y cantidad de evidencia que apoye cada recomendación y la valoración de la proporción de riesgo/beneficio de las recomendaciones, así como un análisis de las mismas. Muchas de las recomendaciones simplemente reflejan el consenso de los expertos que participaron en la elaboración de la guía, que carece de evidencia basada en publicaciones médicas. El paso final en una elaboración de guías de práctica clínica es la revisión por pares, seguida por una revisión final en respuesta a las críticas obtenidas. Para mejorar la fiabilidad y confianza de las guías, el Institute of Medicine ha elaborado recomendaciones metodológicas para el desarrollo de guías.

Las guías tienen vinculación estrecha con el proceso de mejora de la calidad en la medicina a través de la identificación de las mejores prácticas con base en evidencia. Tales prácticas pueden utilizarse como indicadores de calidad. Los ejemplos incluyen la proporción de pacientes con infarto agudo del miocardio que reciben ácido acetilsalicílico hasta la hospitalización y la proporción de pacientes con insuficiencia cardiaca que tuvieron reducción de la fracción de expulsión cuando fueron tratados con inhibidores de la ACE.

En espera de EBM, es tentador pensar que todas las decisiones difíciles a las cuales se enfrentan los médicos pronto se resolverán y que se incluirán en las guías de práctica clínica y en recordatorios por computadora. Sin embargo, la EBM proporciona al médico un grupo de herramientas ideales con las cuales tratar al paciente. Además, incluso con tal evidencia, siempre vale la pena recordar que la respuesta al tratamiento del paciente “promedio” que se presenta en los resúmenes de los resultados de los estudios clínicos podría no ser lo que se esperara para un paciente específico que se encuentre frente al médico en una clínica u hospital. Además, los metaanálisis no pueden generar evidencia cuando no existen estudios clínicos adecuados con asignación al azar y la mayor parte de lo que los médicos enfrentan en su práctica cotidiana nunca será analizado a través de estudios clínicos con asignación al azar. Para un futuro previsible, una habilidad de razonamiento clínico excelente, la experiencia complementada con herramientas cuantitativas bien diseñadas y la consideración de la utilidad de las preferencias individuales del paciente en la atención a la salud serán aspectos de importancia fundamental en la práctica de la medicina clínica.