Desde el Proyecto del Genoma Humano en la década de 1990, se ha debatido cómo la medicina de precisión (o la medicina personalizada) podría prevenir la morbilidad y la mortalidad al diagnosticar la enfermedad temprano o al encontrar factores de riesgo en personas aparentemente sanas. 

 

Al principio, la idea estaba principalmente vinculada al análisis del genoma. 

 

Sin embargo, durante las últimas dos décadas, han surgido muchas otras tecnologías de big data y aprendizaje automático para medir y analizar otros factores. 

 

"Big data" puede significar muchas cosas.  Este término se usa para describir nuevas tecnologías intensivas en datos que podrían permitir la medicina de precisión. Esto incluye las tecnologías "ómicas" como la genómica (ADN), la proteómica (proteína), la transcriptómica (ARN) y la metabolómica (metabolitos). También incluye datos de imágenes, registros de salud electrónicos, redes sociales, nuevos biosensores y tecnologías de autoseguimiento como el reloj inteligente de Apple que puede detectar arritmias. En el futuro, tales sensores podrían captar señales de sangre, sudor o exposiciones ambientales. 

 

Los defensores de la detección basada en estas nuevas tecnologías dicen que permiten un monitoreo sin precedentes del cuerpo humano.  

 

Sin embargo, creemos que sus planes, que aún son en gran medida teóricos, conllevan un alto riesgo de sobremedicalización  y sobrediagnóstico. 

 

 

¿Qué tiene de diferente el rastreo a partir del  big data?

 

El rastreo actual generalmente implica medir una variable o algunas variables, ya sea una vez o a intervalos largos (lo cual no demostró disminuir la morbimortalidad). 

 

El rastreo de datos grandes difiere del tradicional porque puede medir muchos tipos diferentes de variables (desde las moleculares hasta las sociales). Puede incluir muchas variables al mismo tiempo, y la medición puede ser repetitiva o continua, mostrando cambios corporales a lo largo del tiempo. Esto puede crear una descripción muy detallada del genotipo y fenotipo de cada persona (rasgos biológicos). Se pueden usar grandes conjuntos de datos de varias fuentes para evaluar a las personas en busca de muchas enfermedades y factores de riesgo a la vez.

 

A continuación te presentamos los tres primeros estudios de rastreo que se produjeron a partir de big data.

 

a. Proyecto de bienestar Pioneer 100 (P100).

 

Este proyecto recolectó datos de 108 personas aparentemente sanas de entre 21 y 89 años durante 9 meses, incluyendo secuencias del genoma completo, resultados de 218 pruebas clínicas y ensayos de hasta 643 metabolitos, 262 proteínas y 4616 microbios, así como mediciones de sueño y actividad de dispositivos portátiles.

 

 

b. Estudio de detección de medicina de precisión.

 

Este estudio utilizó pruebas clínicas, secuenciación del genoma completo, resonancia magnética de cuerpo entero, absorciometría de rayos X de energía dual, metabolómica, una nueva prueba para prediabetes (Quantose IR), ecocardiografía, electrocardiografía y monitoreo del ritmo cardíaco en 209 personas.

 

Identificó: DBT o riesgo de DBT en 118 personas, enfermedad aterosclerótica o riesgo en 29, hígado graso no alcohólico en 28, neoplasia en estadio temprano en 4, fibrilación auricular en 2, otras arritmias médicamente significativas en 2, bloqueo cardíaco de tercer grado en 1, colangitis biliar primaria en 1, xantinuria en 1. 

 

c. Enfoque longitudinal de big data para una salud de precisión.

 

Este estudio tuvo un enfoque particular en la diabetes y siguió a 109 personas durante una mediana de 2.8 años. Usó medidas clínicas trimestrales: análisis del genoma, inmunoma, transcriptoma, proteoma, metaboloma y microbioma; y monitoreo con dispositivos portátiles. 

 

Entre sus hallazgos se encuentran: DBT o prediabetes en 59 personas, enfermedad cardiovascular en 9, arritmias cardíacas en 2, cardiopatía (genética) en 1, apnea obstructiva del sueño en 1, enfermedad de Lyme en 1, linfoma en 1, mieloma en 1, gammapatía monoclonal de significación indeterminada en 1, mutaciones genéticas que se cree que requieren acción en 15.

 

 

¿Qué significa la detección de big data para el sobrediagnóstico?

 

El sobrediagnóstico es común en cualquier examen médico y genera sobreestudios y daños.  

 

Ocurre cuando diagnosticamos anormalidades asintomáticas que no causarán un problema a lo largo de la vida (esto podría deberse a que desaparecen espontáneamente, no progresan o progresan tan lentamente que las personas mueren por otras causas). 

 

El principal problema para el rastreo de big data es que el monitoreo de muchas características del cuerpo con tecnologías altamente sensibles está destinado a detectar muchas anormalidades pero sin la capacidad de determinar cuál, si es que hay alguna, se manifestará clínicamente. 

 

Como resultado, más personas pueden ser etiquetadas con condiciones más inofensivas.

 

El riesgo de sobrediagnóstico en la detección de medicina de precisión se ilustra en los tres estudios descritos anteriormente.  

 

El estudio Pioneer 100 midió numerosas variables repetidamente durante 9 meses en 108 personas que no tenían problemas de salud conocidos. A todos los participantes se les detectaron múltiples anomalías. 

 

De manera similar, un estudio de detección de medicina de precisión diagnosticó anormalidades en 164 de 209 participantes,  y un estudio que presenta "un enfoque longitudinal de datos grandes para la salud de precisión" descubrió" más de 67 condiciones de salud clínicamente accionables en 109 personas e identificó múltiples vías moleculares asociadas con fisiopatología metabólica, cardiovascular y oncológica ".

 

Tales hallazgos generales probablemente incluyen un sustancial sobrediagnóstico por las razones que exponemos a continuación.

 

1) Detección de múltiples factores, múltiples veces para múltiples problemas

 

Los grandes datos pueden observar "todo" lo que sucede en un cuerpo humano. Solo algunas de estas anormalidades se volverán sintomáticas. El resto representará sobrediagnóstico. El riesgo total de que un individuo se diagnostique en exceso aumenta con el número de anomalías detectadas.

 

2) Una cultura de “más es mejor”, y “antes mejor que tarde” 

 

La visión de la medicina de precisión está impulsada por la innovación tecnológica y se asocia con factores culturales conocidos del sobrediagnóstico como la creencia en que para la atención médica, "más es mejor", "lo nuevo es mejor" y "prevenir es mejor que curar". 

 

3) Detección en grupos de bajo riesgo 

 

Las tecnologías baratas de prueba y monitoreo del genoma permiten una detección más generalizada. Por lo tanto, se pueden detectar más anormalidades en poblaciones más grandes con bajo riesgo, lo que aumenta el sobrediagnóstico.

 

4) Uso de definiciones de enfermedad ampliadas

 

El sobrediagnóstico aumenta con definiciones más amplias de anormalidad (umbrales de diagnóstico bajos) a medida que se definen más personas con más problemas que requieren atención médica pero que pueden no desarrollar síntomas. Estudios pioneros para condiciones de bajo riesgo son los que evaluaron condiciones como la prediabetes (el 60% de pacientes con prediabetes vuelve a valores normales sin intervención alguna).

 

5) Utilización de tecnología más sensible

 

A diferencia de los resultados falsos positivos, que dependen de la especificidad, la sensibilidad de las pruebas de detección aumenta el sobrediagnóstico. Las nuevas tecnologías de detección, como las pruebas moleculares de grano fino, pueden ser más propensas que las herramientas más antiguas a detectar anomalías más leves. El curso natural de casos leves de fibrilación auricular previamente no detectados, identificados por un reloj inteligente, por ejemplo, no se han estudiado adecuadamente y pueden no tener el mismo riesgo que los casos detectados previamente. Pero nuestro sesgo puede ser tratar estos nuevos casos como tratamos afecciones previamente investigadas en el extremo de alto riesgo del espectro de la enfermedad (sesgo de espectro). 

 

 

Desafío para la medicina de precisión

 

Si se puede detectar todo lo "anormal", el examen de medicina de precisión se enfrenta a un gran desafío: debe predecir cuál de las anormalidades causará síntomas o la muerte. 

 

Actualmente no podemos predecir qué anomalías producirán síntomas clínicos, pero la investigación longitudinal, mejores algoritmos, aprendizaje automático y una mejor comprensión causal pueden mejorar la comprensión futura. 

 

Esta comprensión puede informar las definiciones de anormalidad y guiar las decisiones sobre lo que se debe evaluar.

 

Los primeros resultados empíricos sugieren que los algoritmos que combinan múltiples variables pueden mejorar las predicciones de riesgo. Por ejemplo, un estudio mostró que los puntajes de riesgo poligénico podían identificar un porcentaje sustancialmente mayor de una población con un riesgo mayor que el triple de cinco enfermedades comunes que el análisis de ADN previo. Sin embargo, cuando se aplicaron puntajes de riesgo poligénico a cinco diagnósticos aislados, se encontró que el 20% de la población estaba en "alto riesgo" para al menos uno de ellos. Si tales algoritmos se aplican a muchos diagnósticos, es probable que todos sean etiquetados con alto riesgo de algo. 

 

Tales puntajes de riesgo también podrían usarse para redefinir condiciones de bajo riesgo como algo inofensivo, lo que puede reducir el sobrediagnóstico. 

 

Nuestra visión de las condiciones que anteriormente se consideraban de alto riesgo también puede necesitar reajustarse como algo que es relativamente inofensivo y no debe diagnosticarse.

 

Hay algunos desafíos específicos. Un desafío biológico es que los sistemas complejos del cuerpo hacen que sea difícil predecir el curso de la enfermedad en los individuos.

 

Un problema estadístico relacionado se llama el dilema sesgo-varianza (ver Figura 1). 

 

Al crear algoritmos predictivos, es tentador incluir más variables para aumentar la precisión y la capacidad del modelo para reflejar la complejidad de la vida real.  Sin embargo, debido a que es difícil estimar de manera confiable muchas variables a la vez, la mayor precisión (sesgo reducido) se ve compensada por un aumento en la varianza o el ruido (pérdida de precisión).

 

Figura 1

 

 

Cómo aprovechar los beneficios de la medicina de precisión

 

El Big Data ofrece una oportunidad única para aumentar nuestro conocimiento sobre el desarrollo de enfermedades pero la creación de una medicina de precisión beneficiosa requerirá paciencia, tolerancia y sabiduría. 

 

El problema del sobrediagnóstico en el rastreo usando big data y la medicina de precisión requiere más atención por parte de profesionales, agencias de financiación, comités éticos y formuladores de políticas.

 

 

Necesitamos repensar el riesgo 

 

Nuestra intolerancia al riesgo y a la enfermedad aumenta el riesgo de sobrediagnóstico.

 

Podría parecer que la llamada (quizás mal llamada) medicina de precisión ofrece la posibilidad de eliminar la incertidumbre, pero los beneficios pueden verse eclipsados por el encarecimiento de la medicina y el daño resultante de la identificación de condiciones que no causan problemas reales.

 

Tenemos que aceptar que siempre habrá algún grado de riesgo, morbilidad y mortalidad. 

 

La posibilidad de poder registrar "todo" lo que sucede en el cuerpo resaltará la necesidad de discutir lo que debe considerarse importante. 

 

Necesitamos grandes estudios de pronóstico con un seguimiento largo (una década) que investiguen el curso natural de diferentes anormalidades y cuantifiquen el sobrediagnóstico.

 

La toma de decisiones compartida a menudo se ve como la forma de reducir el sobrediagnóstico, ya que incluye una discusión de lo que es importante para pacientes individuales, así como los posibles beneficios y riesgos de la detección. Sin embargo, los avances tecnológicos pueden significar que los consumidores empoderados eviten ir a ver al médico (como ocurre en muchos centros que ofrecen chequeos de salud sin pasar por el médico) y se examinen a sí mismos sin comprender completamente las consecuencias, eclipsados por la palabra prevención. 

 

Aún más… empresas como Facebook, Apple, Amazon y Google ahora usan datos de monitoreo con este fin (y otros fines también).

 

La profesión médica y los organismos reguladores pueden perder su capacidad de regular el rastreo, y no está claro si la participación de los ciudadanos, los consumidores y los pacientes aumentará o disminuirá el sobrediagnóstico. 

 

En un contexto en el que las personas están convencidas de que un autocontrol extenso es útil, dejar las decisiones médicas a los individuos puede crear tanto daño como beneficio. 

 

Un enfoque pragmático para minimizar los riesgos del rastreo del big data sería: 

 

1. que las prácticas nuevas de rastreo se guíen por principios de rastreo tradicionales, como los desarrollados por Wilson y Jungner para la Organización Mundial de la Salud. 

 

2. Dirigirse solo a afecciones graves para las que existen tratamientos efectivos, por ejemplo, limitaría el número de anomalías que se examinan y, por lo tanto, reduciría el sobrediagnóstico. 

 

En síntesis:

 

• Tuvimos sobrediagnóstico

 

• Tuvimos sobretratamiento

 

• Ahora tenemos sobre monitoreo/ sobre mediciones.

 

 

Referencia

https://doi.org/10.1136/bmj.l5270