jueves, 10 de noviembre de 2011

Geometría de la evidencia


En las últimas semanas, los asistentes al 19 Cochrane Colloquium, hemos estado contando en este blog algunos de los muchos momentos interesantes a los que tuvimos el gusto de asistir.

Una conferencia muy impactante fue la que pronunció el Profesor Ioannidis, y que un buen amigo, Peter Gill, canadiense afincado en Oxford (UK) y muy relacionado con el Center for Evidence Based Medicine, nos cuenta en su blog, y que con su permiso traducimos, ya que cualquier otra cosa sería repetir lo que él tan claramente expone el 27 de octubre:

“La semana pasada, en el 19 Cochrane Colloquium en Madrid, el Profesor John Ioannidis de la Universidad de Stanford, dio una charla fascinante sobre la geometría de la evidencia. De entre los cientos de artículos que ha publicado, su artículo de 2005 sobre “Why most published research findings are false”, es el artículo técnico más descargado de la revista PLos Medicine con más de 400 000 visitas. Sin duda, este autor es líder en abordar temas polémicos sobre investigación biomédica.

En esta conferencia, recomienda una visión amplia de la investigación utilizando redes de meta-análisis. Los meta-análisis tradicionales son útiles para comparar dos intervenciones, o una intervención con placebo. Pero, ¿qué ocurre cuando hay docenas de ensayos clínicos aleatorizados sobre muchos fármacos diferentes para la misma enfermedad? Por ejemplo, hay 68 antidepresivos para elegir, ¿cómo puede el médico decidir cuál es el más eficaz? De hecho, Ioannidis opinaba que probablemente sería una estupidez depender de un solo meta-análisis.

Entremos en las redes. Ioannidis ha dirigido el desarrollo de múltiples meta-análisis de tratamientos o redes de meta-análisis. En su forma mas simple, la red dibuja todas las intervenciones para una dolencia conocida en un enrejado o diseño tipo celosía. El enrejado muestra los ensayos relevantes para una cierta intervención e ilustra cómo conectan (o no conectan) unos con otros. El patrón de las comparaciones es la “geometría de la red de tratamientos”.

Por ejemplo, se han realizado 69 ensayos para el abandono del hábito tabáquico comparando reemplazamiento con nicotina con no tratar, pero cero ensayos comparando reemplazamiento con nicotina con el fármaco vareniclina (Champix). Para tomar una decisión informada, los clínicos necesitan información sobre comparación de tratamientos.

Además, si miramos a la financiación de los ensayos clínicos, encontramos que las comparaciones uno-a-uno de fármacos de distintas compañías son muy poco frecuentes. De hecho, se pueden encontrar “auto-bucles” que muestran que la mayoría de los ensayos financiados por la industria abordan un único fármaco propiedad de la compañía. Peor aún, cuando dos compañías farmacéuticas financian el mismo ensayo, no se debe a cooperación altruista sino normalmente a co-propiedad de los mismos productos.

Aunque las redes de meta-análisis ofrecen una imagen más amplia que los meta-análisis tradicionales, combinan un gran número de ensayos y comparaciones en un solo artículo académico, lo cual no es bueno para el CV de los investigadores, según Ioannidis. La estructura actual anima a la realización de revisiones sistemáticas definidas de forma muy concisa y de ensayos clínicos que demuestren eficacia y no anima a alejarse como un zoom para tener una visión global. Las redes, aunque proporcionan un corte transversal de un tema clínico en un punto dado en el tiempo, permiten ver la base de la evidencia actual y poder identificar dónde faltan conexiones.

Volviendo al ejemplo anterior del abandono del hábito tabáquico, necesitamos ensayos que comparen reemplazamiento de nicotina con vareniclina (Champix), no otro estudio que muestre que el reemplazamiento de nicotina comparado con placebo es eficaz. Pero el problema es que esto último es fácil de publicar con un gran tamaño del efecto, pero lo primero probablemente no mostrará diferencias y no producirá titulares en la BBC”.