Las revisiones sistemáticas son una poderosa herramienta de uso muy frecuente en las ciencias sanitarias, y permiten combinar la evidencia científica existente en una determinada área de investigación para extraer conclusiones generales que puedan ser útiles para investigadores, profesionales de la salud y responsables del diseño e implementación de políticas en materia sanitaria. Por ejemplo, podríamos estar interesados en integrar la información de estudios que compararon la eficacia de la combinación de psicoterapia y psicofármacos frente al tratamiento sólo con psicofármacos en pacientes con un trastorno depresivo mayor.

Si la información que queremos combinar es de tipo numérico, entonces podemos hacer uso del meta-análisis, que consiste en la integración cuantitativa de los resultados de una serie de estudios sobre el mismo problema. En un meta-análisis se suelen utilizar técnicas ponderadas que tienen como primer objetivo obtener un “resultado promedio” que resuma los hallazgos de los distintos estudios. Esto nos permitirá contestar a preguntas como: ¿cuál es el efecto medio de la psicoterapia en pacientes con un trastorno depresivo mayor que están siendo tratados con psicofármacos?

Sin embargo, es muy habitual observar discrepancias entre los estudios que estamos integrando, que pueden ser debidas a las diferencias entre las muestras, la aplicación de la intervención o el diseño entre los diferentes estudios. Si estos detalles han sido adecuadamente especificados en los estudios, entonces es posible analizar la relación entre una o varias características de los estudios y las fluctuaciones entre sus resultados. Éste es el segundo gran objetivo en un meta-análisis, y las técnicas más flexibles en la actualidad para realizar este tipo de análisis son los modelos de regresión, que en este contexto se llaman modelos de meta-regresión. Gracias a este tipo de modelos, podemos plantear preguntas como: ¿qué influencia tienen el tipo de enfoque psicoterapéutico y la adherencia terapéutica en la eficacia de la psicoterapia para este tipo de pacientes? ¿Existe relación entre la edad, el sexo o el historial clínico de los pacientes y el grado de mejoría que experimentan si se incluye la psicoterapia en el tratamiento de su depresión?

Y ahora que ya sabemos qué es un meta-análisis y qué función tienen dentro de éste los modelos de meta-regresión, es el momento de dirigir nuestra atención a un índice clave en este tipo de modelos: R2. Este índice nos permite estimar la capacidad predictiva del modelo, es decir, qué proporción de la variabilidad entre los resultados de los estudios puede deberse a la/s característica/s que hemos incluido en el modelo. Al tratarse de una proporción, el valor esperado está entre 0 y 1. Así, si planteamos un modelo de meta-regresión que incluya la antigüedad media del trastorno depresivo en meses (variable predictora) y el efecto de la psicoterapia estimado en cada estudio (variable dependiente), un valor de R2 = 0.5 indica que este aspecto, por sí solo, es responsable de la mitad de la variabilidad entre los resultados de los diferentes estudios. En otras palabras, este resultado sugeriría que la antigüedad del trastorno es un factor muy importante para pronosticar el efecto de la psicoterapia en este tipo de pacientes (y si queremos avanzar un paso más, una pendiente negativa en este modelo estaría revelándonos que los pacientes que más se van a beneficiar de la psicoterapia son aquello que cayeron deprimidos más recientemente).

Después de esta extensa (pero quizá necesaria) introducción, el objetivo de este trabajo era el estudio y comparación del comportamiento de los diferentes métodos disponibles actualmente para calcular R2 en modelos de meta-regresión. Esto se llevó a cabo mediante simulación Monte Carlo. El artículo incluye una descripción formal de los distintos métodos y de los generadores, valores paramétricos y condiciones que se tuvieron en cuenta en la simulación; por lo tanto, para intentar explicar sin demasiados tecnicismos en qué consiste programar un estudio de simulación, diré que es como llevar a los métodos estadísticos que estamos estudiando a un concurso de preguntas tipo Saber y Ganar: en este tipo de estudios, generamos números aleatoriamente a partir de distribuciones conocidas donde hemos fijado los parámetros, de forma que nosotros ya sabemos la verdad, y eso nos permite evaluar la precisión de las respuestas de cada concursante. En un estudio de simulación es habitual que cada método responda a miles de preguntas, con el fin de descartar que una falta de precisión se deba a los nervios del directo (aunque a nuestros métodos estadísticos les gusta más hablar de error de muestreo). En este tipo de concursos también hay diferentes categorías de preguntas, y el objetivo último es comprobar el grado de precisión de los distintos métodos a través de las diferentes temáticas (que en su jerga se llaman escenarios simulados).

A continuación podéis ver una figura que recoge parte de los resultados de este estudio de simulación. En este caso, utilizamos uno de los métodos para calcular R2 un total de 10.000 veces para cada condición. Nosotros ya sabíamos por adelantado que el valor correcto era 0.25. Esto fue lo que encontramos:

 

La principal conclusión que extrajimos después de examinar esta figura fue que este método, uno de los más comúnmente utilizados en la práctica, podía arrojar prácticamente cualquier valor para R2 salvo que el número de estudios fuera relativamente alto. El panorama no fue más alentador al examinar el comportamiento de los restantes métodos. Dado que en la práctica es frecuente integrar un número de estudios pequeño o moderado, este estudio revela la necesidad de desarrollar nuevas técnicas para suplir las limitaciones de las actuales. Este trabajo, como la mayoría de estudios de simulación, ilustra las limitaciones de métodos frecuentemente aplicados. Por ello, su publicación tenía como principal misión que los investigadores que quieran aplicar estos métodos sean conscientes de sus debilidades y que interpreten sus resultados de manera cautelosa si su revisión sistemática no incluye al menos en torno a 40 estudios.

 

Autor y contacto:

ja.lopez-lopez@bristol.ac.uk

 

– Enlace:

http://www.um.es/metaanalysis/pdf/5046.pdf

 

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Top
Switch to mobile version