Un estudio de LMU revela: Que los pacientes sean capaces de evaluar correctamente los riesgos depende en parte de cómo los médicos les transmiten la información estadística.
Los resultados médicos no siempre son fáciles de entender, y las declaraciones de riesgo que vienen con ellos quizás lo sean aún menos. Comunicar información estadística a los pacientes no es tarea fácil.
Un equipo de científicos de los campos de la medicina, la educación médica y la educación matemática en LMU ha publicado un estudio en la revista PLOS ONE que investiga cómo se puede hacer más efectiva la comunicación entre médicos y pacientes sobre los riesgos reales.
Después de todo, no siempre es fácil comprender lo que realmente significan ciertos números. «Incluso los médicos a veces tienen dificultades para determinar el valor predictivo correcto. Y si los datos son difíciles de interpretar para el médico, es aún más difícil comunicar la información con precisión a los pacientes de una manera que los entiendan», dice la educadora matemática Karin Binder, una de las autoras del estudio.
El siguiente caso servirá como ejemplo. Un paciente acaba de recibir un hallazgo ecográfico conspicuo de su tiroides. ¿Significa esto que tiene cáncer de tiroides? No necesariamente, porque existe cierta probabilidad de que el resultado del examen sea positivo aunque el paciente no tenga cáncer de tiroides.
Para explicar a los pacientes cómo se ve el panorama estadístico después de un resultado de prueba tan positivo, existen dos enfoques. Uno de ellos requiere algo de pensamiento lateral, mientras que el otro es mucho más fácil de interpretar desde la perspectiva del paciente, como pudieron demostrar los investigadores.
Bayesiano vs. información de diagnóstico:
El enfoque bayesiano comúnmente utilizado procede del número de pacientes que realmente tienen la enfermedad. En primer lugar, el médico explica con qué frecuencia ocurre la enfermedad en general, por ejemplo: «de cada 1.000 pacientes, 50 tienen cáncer de tiroides». Entonces el médico se acuesta. a) para cuántos de estos pacientes con cáncer de tiroides, el resultado de la prueba es positivo (20 de 50) y b) cuántas personas que no tienen cáncer de tiroides tienen un resultado positivo de la prueba (110 de los 950 restantes).
Esta es generalmente la información que el médico conoce o puede investigar fácilmente. Las pruebas positivas como proporción de personas con la enfermedad también se conocen como sensibilidad, un término con el que podemos estar familiarizados por la pandemia de Covid-19, cuando se usó, por ejemplo, como criterio de calidad para las pruebas rápidas. Desafortunadamente, sin embargo, las pruebas positivas como proporción de personas con la enfermedad a menudo se confunden con las personas con la enfermedad como proporción de pruebas positivas. Y estos dos porcentajes pueden diferir mucho según la situación.
Entonces, ¿qué significan los números citados anteriormente en relación con una persona con un resultado positivo en la prueba? ¿Cuántas personas que dan positivo realmente tienen la enfermedad? Si para usted la respuesta no es evidente de inmediato, no está solo. Sin más información, solo el 10% de los participantes pudo calcular cuántas personas con resultados positivos realmente tenían la enfermedad.
La comunicación «diagnóstica» de información procede de manera muy diferente. En primer lugar, el médico explica cuántos pacientes tienen resultados positivos en las pruebas, independientemente de si realmente tienen la enfermedad o no. En nuestro ejemplo, serían 130 personas con un ultrasonido de tiroides notorio (de 1000 personas examinadas). A continuación, el médico explica cuántas de estas personas con resultados positivos en las pruebas realmente tienen la enfermedad (20 de 130) y cuántas de las personas con resultados negativos en las pruebas tienen la enfermedad (30 de 870).
La información relevante está contenida aquí directamente y sin necesidad de cálculos mentales. Si mi resultado es positivo, entonces la probabilidad es 20 de 130 de que realmente tenga cáncer de tiroides. Cuando se comunicó de esta forma, el 72 % de los participantes del estudio fueron capaces de llegar a esta conclusión, en comparación con el 10 % con el enfoque bayesiano.
¿Cuál es la mejor manera de comunicar la información estadística?
«Además, con la comunicación bayesiana, los participantes tardaron considerablemente en alcanzar el resultado correcto, si es que lo consiguieron», dice Karin Binder. «Y en los consultorios médicos y hospitales ocupados, este tiempo a menudo no está disponible». Por lo tanto, el equipo de autores hace un llamado a los médicos para que utilicen la comunicación de información diagnóstica más fácilmente en el futuro. Esto ayudaría a evitar confusiones, malas interpretaciones y decisiones equivocadas.
Sin embargo, sería aún mejor tomarse el tiempo para brindarles a los pacientes una imagen completa de la situación, que contenga tanto información diagnóstica como bayesiana. Solo esto puede explicar el sorprendente fenómeno por el cual incluso una prueba médica con criterios de calidad excepcionales puede tener un poder predictivo muy limitado en determinadas circunstancias (por ejemplo, exámenes de rutina).
