¿Debe el médico ayudarnos a comprender las probabilidades tras un resultado positivo?

Por Helena Matute, el 19 octubre, 2015. Categoría(s): Divulgación • Medicina
Ejemplo de ayuda visual que podría utilizarse para comunicar el significado de un resultado positivo en una mamografía, adaptado de García-Retamero & Cokely  (2013)
Ejemplo de ayuda visual que podría utilizarse para comunicar el significado de un resultado positivo en una mamografía, adaptado de García-Retamero & Cokely (2013)

La mayoría de las personas somos un pequeño desastre interpretando probabilidades, lo que a menudo nos causa más de un disgusto. Y más de dos también. Pongamos un ejemplo que nos afecta a todos. Vamos al médico. Nos manda hacer unas pruebas. Resultado positivo. ¡Horror! Las alarmas se disparan en nuestra cabeza. Cada vez más fuerte. Pensamos inmediatamente que tenemos la enfermedad. Nos angustiamos. ¿Cuál es la probabilidad real de que tengamos la enfermedad? ¡Uy, es que yo soy de letras! Ya, ta.

Ante un resultado positivo es necesario conocer también cuál es el porcentaje de falsos positivos en esa prueba, es decir, la probabilidad de que, aunque no tengamos la enfermedad, nos salga positivo de todas formas (p. ej., 9%). Y también la prevalencia, es decir, la probabilidad de que una persona tenga la enfermedad (p. ej., 1%). Y la probabilidad de dar positivo en la prueba si tenemos la enfermedad, es decir, la sensibilidad de la prueba (p. ej., 90%). Y sí. Luego deberíamos calcular cuál es nuestra probabilidad real de tener la enfermedad si hemos dado positivo en la prueba. Ya, es que yo… De acuerdo, léete esto: lo explica muy bien en este artículo Clara Grima, profesora de Matemática Aplicada en la Universidad de Sevilla, o en este otro artículo Raúl Ibáñez, profesor del Departamento de Matemáticas de la Universidad del País Vasco.

Pero cuidado. Probablemente no sea suficiente.

Ante este tipo de dificultades matemáticas con las que todos los que no somos matemáticos nos topamos antes o después, podría haber al menos dos posibles soluciones. Una opción es, efectivamente, la que sugieren normalmente los matemáticos: educar bien en matemáticas a todas las personas, desde pequeñas. Es decir, dotarnos a todos de las capacidades necesarias para que podamos ser autosuficientes y tomar decisiones correctas en las situaciones de nuestra vida que requieren de habilidad matemática. Esto sería, en verdad, un gran paso para esta sociedad en la que vivimos y que algunos llaman «del conocimiento» pero que anda aún funcionando bastante al estilo edad media: supersticiones, pseudociencias, rumores… Y así.

Es complicado lograr esa buena educación matemática para todas las personas. Pensemos en personas con difícil acceso a la educación o con poca base para poder aprovechar las enseñanzas. Pensemos también en personas mayores con capacidades cognitivas deterioradas, o pensemos en personas con elevado nivel de estrés y de ansiedad que tampoco pueden razonar a pleno rendimiento, que andan corriendo y pensando en mil cosas al mismo tiempo, preocupadas por sobrevivir a la hipoteca, y por los niños, y quizá por esa reunión tan difícil con el jefe que tendrá lugar esa misma semana.

Si a todo esto añadimos que les acaban de comunicar un resultado positivo de una enfermedad grave veremos cómo su nivel de ansiedad aumenta y su capacidad de razonar disminuye en cuestión de segundos. Necesitarán una formación tremendamente sólida, no sólo en matemáticas, sino también en control de emociones, y algunas cosas más, para poder mantener la cabeza fría y razonar adecuadamente en un momento así. No descarta, lógicamente, esta realidad, la necesidad de una educación matemática para todos. Pero sí la hace claramente insuficiente a la vista del funcionamiento de la mente humana.

Es más. Tal y como ha mostrado Gerd Gigerenzer, Catedrático de Psicología y Director del Centre for Adaptive Behaviour and Cognition, del Max Planck Institute for Human Development de Berlin, muchas veces el problema no está siquiera en la mente de las personas que recibimos la información, y que somos malas con las matemáticas pero no tanto, sino en la de quienes nos informan. Como indica Gigerenzer, si nos dicen, por ejemplo, que la probabilidad de que llueva mañana es del 30%, ¿qué significa esto? Podemos saber lo que significa 30%, pero dado que quien nos da la información no suele informarnos sobre la clase de referencia, cada uno lo interpreta como quiere o como puede. Algunas personas interpretan que va a llover mañana el 30% del tiempo, es decir, unas 8 horas y pico. Otras interpretan que lloverá mañana en el 30% de la región. Otras que de todos los días en que los meteorólogos hacen una predicción como ésta, sólo llueve el 30%, y aún otras tantas, que de cada 10 meteorólogos a los que preguntemos, 3 dirán que lloverá y 7 que no (p. ej., Gigerenzer & Galesic, 2012).

Genial. Viva el caos interpretativo.

Y mira que solo era cuestión de presentar el dato en su contexto de referencia (decir el 30% de qué) y nos habríamos entendido todos bastante bien. Pero ese dato suele estar muy a menudo ausente. Ah, y claro, no la tomemos con los meteorólogos, que en todos los campos cuecen (cocemos) habas. Hombre, es que es una forma de hablar, lo el 30%… ya se entiende, ¿verdad? Bueno… sí, yo creo que lo entiendo. Y tú también. Todos creemos que lo entendemos aunque la información no esté completa. Pero seguro que entendemos cada uno una cosa diferente y si no especificamos con cuidado de qué hablamos en cada caso ni siquiera nos enteramos de que nuestras interpretaciones son cada una de su padre y de su madre y creeremos que hasta nos estamos entendiendo.

Por tanto, además de enfatizar la necesidad de una buena educación matemática para todos, hay otra propuesta de actuación que propone hacer además lo siguiente. Partamos de que la mayoría de nosotros tenemos dificultades para entender determinados conceptos matemáticos correctamente y para tomar las decisiones adecuadas, partamos también de que quien nos informa nos suele informar mal y de manera incompleta (a veces debido a un conflicto de interés, otras veces por mero desconocimiento), y concentremos por tanto los esfuerzos en lograr que la información se presente al ciudadano del modo más completo y transparente y sencillo posible.

Investigaciones psicológicas realizadas desde esta perspectiva han demostrado, por ejemplo, que traduciendo los porcentajes y probabilidades a frecuencias naturales, las personas, por lo general, entendemos mucho mejor los datos y tomamos decisiones mucho más acertadas (Gigerenzer, 2011). Si además los números son pequeños en vez de grandes, lo entenderemos mejor aún. Y si además se utilizan ayudas visuales como la que se muestra en la Figura 1, la cosa se facilita enormemente y lo que parecía un problema complicadísimo se convierte en algo sencillo que la mayoría de la gente entiende mucho mejor, tal y como ha demostrado recientemente la psicóloga Rocío García-Retamero, Profesora de la Universidad de Granada, junto con su colega Edward Cokely, del Max Planck Institute for Human Development (Garcia-Retamero & Cokely, 2013).

Los datos que hemos mostrado al principio de este artículo como ejemplo de prevalencia (1%), sensibilidad (90%) y falsos positivos (9%), no hemos dicho a qué enfermedad y prueba diagnóstica se referían. Son los que proporciona Gigerenzer (2011) para el cáncer de mama y las mamografías. Cuando él y su equipo proporcionaron estos datos a ginecólogos, les preguntaron por la probabilidad de que una mujer tuviera cáncer de mama dado un resultado positivo en una mamografía. Las respuestas que obtuvieron difirieron desde un 1% hasta un 90%. No es muy esperanzador, ¿verdad?

Sin embargo, cuando utilizaron frecuencias naturales al presentarles la información, la mayoría de los ginecólogos fueron capaces de interpretar correctamente que de cada 10 mujeres que dan positivo en la mamografía, 9 son falsos positivos. (Por cierto, ¿habrías sido tú capaz de hacer el cálculo de probabilidades solo con los datos, sin mirar la figura? Pruébalo con amigos o conocidos, muestra a unos únicamente los datos, a otros la ayuda visual, y compara el resultado).

Otras imágenes que facilitan también enormemente la compresión de los problemas del cribado mamográfico, pueden encontrarse en el Harding Center for Risk Literacy, dirigido también por el psicólogo Gerd Gigerenzer. Un ejemplo es el que muestra la siguiente figura:

Detección Temprana del cáncer de mama. Imagen tomada del Harding Center for Risk Literacy
Detección Temprana del cáncer de mama. Imagen tomada del Harding Center for Risk Literacy

La verdad es que asusta ver estos datos en toda su crudeza. No son los que esperamos, ni los que interpretamos habitualmente con la información que recibimos; y tampoco, probablemente, los que interpretan los responsables del sistema sanitario cuando nos envían folletos para que acudamos en masa a los programas rutinarios de cribado de cáncer de mama.

De hecho, las ventajas y desventajas de estos programas están dando lugar a un buen debate entre los especialistas, tal y como se recoge en esta charla de Naia en Naukas Bilbao 2015, donde los argumentos y los datos que presenta intentan dejar claro que así como las mamografías son una excelente técnica diagnóstica que nadie pone en duda, el cribado masivo y rutinario cuando no hay síntomas es bastante discutible.

Si te interesa profundizar en los problemas de los programas de cribado no te pierdas tampoco esta serie de artículos de Manuel Viches (2014). Y ojo, que también los datos del cáncer de próstata hay que verlos con detenimiento, tal y como muestran los datos del Harding Center for Risk Literacy:

Detección Temprana del cáncer de próstata. Imagen tomada del Harding Center for Risk Literacy
Detección Temprana del cáncer de próstata. Imagen tomada del Harding Center for Risk Literacy

Pensamos que las mujeres por lo menos tendríamos que tener toda esta información para poder decidir libremente. Pero esta información no acaba de extenderse y esto se debe probablemente a varias razones. En primer lugar, y como ya hemos comentado, nos cuesta entender las probabilidades. Y segundo, esta información nos obliga a tomar decisiones muy difíciles desde una incertidumbre muy grande, lo que, como veremos más abajo, no nos gusta a nadie.

Sería interesante, en principio, que tanto el médico que está en contacto directo con el paciente, como las asociaciones médicas, los gobiernos, y todas las instancias involucradas en el sistema sanitario se esforzaran en comprender el verdadero significado detrás de los porcentajes, los resultados positivos de las diferentes pruebas, los datos de incidencia en la población, para poder traducirlo a frecuencias naturales o a las ayudas visuales como las que se muestran en la Figura 1, o a cualquier otro de los muchos formatos que la investigación psicológica está demostrando que ayudan a las personas a comprender la información relevante y que facilitan el éxito de la comunicación médico-paciente.

Pero cuidado. No nos vayamos ahora todos de rositas una vez trasladada la responsabilidad al médico y al sistema. No podemos trasladarla toda, mal que nos pese. La responsabilidad del paciente es también grande. A los problemas mencionados hay que añadir que a las personas no nos gusta nada que nos comuniquen un resultado incierto, probabilístico, queremos certezas, queremos blanco o negro, la escala de grises no es lo nuestro. No nos gusta tomar decisiones bajo incertidumbre.

Vamos al médico y le presionamos para que nos presente una respuesta clara. Sí o no. Y el médico, que estaba haciendo un esfuerzo por transmitirnos lo mejor posible su grado de incertidumbre, con los pros y los contras necesarios para que pudiéramos decidir mejor, acaba por transmitirnos la certeza que le reclamamos, pero que no puede tener. A menudo le pedimos incluso que decida por nosotros. Y tal vez no sea buena idea.

Se está observando que el no asumir la incertidumbre puede provocar errores médicos, tales como el sobrediagnóstico y sobretratamiento, el médico intentará cubrirse (Hoffman & Kanzaria, 2014). Lo que debemos pedirles es que nos informen; y ellos deben formarse en probabilidades; y nosotros debemos ser capaces de entender lo que nos están diciendo, y asumir sus respuestas inciertas para poder tomar decisiones sabiendo que se basan en información probabilística y que podemos equivocarnos. La decisión en situaciones inciertas debería ser compartida. Esto requiere facilitar la comprensión del riesgo y de las diferentes opciones en todos los niveles del sistema.

El desarrollo y utilización de folletos, vídeos, o software de ayuda en la toma de decisiones, en los que las diferentes opciones se detallan con cuidado y la decisión se hace explícita, con los pros y los contras de cada una de las alternativas, es algo que ya se está utilizando en contextos médicos con cierto éxito (Stacey y cols., 2014), y que casi con seguridad irá en aumento en los próximos años, cuando vayamos conociendo mejor cuáles son las situaciones en las que este tipo de ayudas son más efectivas, así como el nivel óptimo de detalle que conviene presentar en cada caso.

 

Referencias:

Garcia-Retamero, R., & Cokely, E.T. (2013). Communicating health risks with visual aids. Current Directions in Psychological Science, 22 (5), 392-399. DOI: 10.1177/0963721413491570

Gigerenzer, G. (2011). What are natural frequencies? BMJ, 343:d6386. DOI: 10.1136/bmj.d6386

Gigerenzer, G. & Galesik, M. (2012). Why do single event probabilities confuse patients? BMJ, 344:e245. DOI: 10.1136/bmj.e245

Grima, C. (2013). Los peligros de ser anumérico y tener cuenta en Instagram. Ciecia Xplora.

Hoffman, J. R. & Kanzaria, H. K. (2014). Intolerance of error and culture of blame drive medicalExcess. BMJ, 349:g5702. DOI: 10.1136/bmj.g5702

Ibáñez, R. (2015). Falsos positivos, o la importancia de comprender la información. Cuaderno de Cultura Científica. http://culturacientifica.com/2015/10/07/falsos-positivos-o-la-importancia-de-comprender-la-informacion/

Pereda, N. (2015). To screen or not to screen. Naukas, Bilbao.

Stacey, D., Légaré, F., Col, N. F., Bennett, C. L., Barry, M. J., Eden, K. B., Holmes-Rovner, M., Llewellyn-Thomas, H., Lyddiatt, A., Thomson, R., Trevena, L., Wu, J. H. C. (2014). Decision aids for people facing health treatment or screening decisions (Review). Cochrane Database of Systematic Reviews, Issue 1. Art. No.: CD001431. DOI: 10.1002/14651858.CD001431.pub4.

Vilches, M. (2014). ¿Y qué hay de Nuevo sobre el cribado mamográfico? Desayuno con Fotones. http://desayunoconfotones.org/tag/cribado/



Por Helena Matute, publicado el 19 octubre, 2015
Categoría(s): Divulgación • Medicina