Describing health inequalities without distortion: Simple-Means MAIHDA vs Random-Effects MAIHDA

En el estudio de la salud pública, los investigadores han buscado durante mucho tiempo comprender por qué algunos grupos de personas son más saludables que otros. Tradicionalmente, esto se ha hecho observando los promedios: calculando la salud promedio de una ciudad, un barrio o un grupo demográfico específico. Sin embargo, los promedios pueden ocultar la verdad. Así como la profundidad promedio de un río puede sugerir que es seguro vadear, mientras oculta un agujero profundo y peligroso en el centro, una estadística de salud promedio puede enmascarar las luchas severas de grupos más pequeños y específicos que viven en esa misma zona. Para ver el panorama completo de la desigualdad, los científicos deben mirar más allá del promedio y examinar cómo el entorno mismo moldea las vidas de los individuos. Esto implica entender no solo quién está enfermo, sino cómo los lugares donde viven y sus posiciones sociales interactúan para crear patrones de salud. El desafío radica en medir estos patrones con precisión sin suavizar las diferencias mismas que necesitan ser vistas.

Un equipo de investigadores en Suecia ha desarrollado una nueva forma de mapear estas desigualdades de salud que se niega a ocultar los detalles. Se centraron en dos resultados de salud muy diferentes en la ciudad de Malmö: el uso de medicación para afecciones de salud mental y la elección de acudir a un médico privado en lugar de uno público. Al analizar datos de más de 43,000 personas, compararon un método nuevo y directo de conteo contra los modelos estadísticos más complejos que son el estándar actual en el campo. Su trabajo revela que, si bien los modelos estándar coinciden estrechamente en las medidas de resumen generales, pueden suavizar los bordes más afilados de la desigualdad para grupos pequeños específicos, haciendo que parezcan menos distintos de lo que realmente son. Los investigadores descubrieron que un conteo simple y directo de lo que realmente está sucediendo en los datos proporciona una imagen más clara y honesta de las disparidades de salud que los modelos complejos que intentan predecir lo que debería estar sucediendo.

Los investigadores comenzaron dividiendo a la población de Malmö en 300 grupos distintos. Cada grupo se definió mediante una combinación de dónde vivía una persona y sus características sociales, tales como su edad, sexo y nivel de ingresos. Esto creó un mosaico detallado de la ciudad, donde cada barrio contenía doce perfiles sociales diferentes. Luego, observaron dos comportamientos de salud específicos. El primero fue el uso de medicación psicotrópica, la cual se prescribe para problemas de salud mental. El segundo fue la elección de acudir a un médico general privado en lugar de uno público. Estos dos resultados fueron elegidos porque representan extremos opuestos del espectis: uno es impulsado casi totalmente por circunstancias personales como los ingresos y la edad, mientras que el otro está fuertemente influenciado por la geografía y el lugar donde uno vive.

Cuando los investigadores aplicaron su nuevo método, al que llaman Simple-Means MAIHDA, simplemente contaron el número de personas en cada uno de los 300 grupos que utilizaban la medicación o elegían un médico privado. No intentaron ajustar estos números basándose en supuestos estadísticos o fórmulas matemáticas. En su lugar, informaron exactamente lo que los datos mostraban, incluyendo la incertidumbre que conlleva tener grupos más pequeños. Para el uso de medicación para la salud mental, los resultados mostraron un patrón claro impulsado por el dinero y la edad. Las personas con menores ingresos tenían una probabilidad significativamente mayor de usar estas medicaciones que aquellas con mayores ingresos, independientemente del barrio donde vivieran. Las diferencias entre los barrios ricos y pobres fueron muy pequeñas, y el entorno mismo desempeñó casi ningún papel en la configuración de estos resultados de salud; la desigualdad era puramente una cuestión de posición social individual.

En marcado contraste, la elección de acudir a un médico privado estuvo moldeada poderosamente por la geografía, pero no reemplazando el ingreso personal. Los investigadores encontraron que los individuos de altos ingresos eran consistentemente más propensos a elegir médicos privados que los individuos de bajos ingresos en todas las áreas. Sin embargo, la geografía actuó como un amplificador poderoso: la brecha entre residentes ricos y pobres fue significativamente más amplia en los barrios ricos que en los pobres. El entorno no solo cambió las cifras generales; de hecho, cambió la forma de la desigualdad. En las zonas ricas, la diferencia entre los residentes ricos y pobres fue incluso más amplia que en las zonas pobres. La geografía misma amplificó la división social, haciendo que la elección del proveedor de atención médica fuera una historia tanto de estatus personal como de ubicación.

El artículo sostiene que los modelos estadísticos estándar utilizados por la mayoría de los investigadores, conocidos como modelos de Efectos Aleatorios (Random-Effects), no logran capturar estas realidades agudas para grupos específicos, a pesar de que coinciden en la imagen general. Estos modelos funcionan "encogiendo" las estimaciones de los grupos pequeños hacia el promedio general. La lógica es que, si un grupo es pequeño, sus datos podrían no ser fiables, por lo que es más seguro asumir que está más cerca del promedio de la ciudad. Los investigadores demuestran que este proceso actúa como un filtro que desenfoca los bordes del mapa. Para la medicación de salud mental, el modelo estándar no cambió significativamente el hallazgo de que la geografía era insignificante, ya que el efecto geográfico ya estaba ausente. Sin embargo, para la elección del médico privado, el modelo estándar acercó los valores extremos de los barrios ricos y pobres, haciendo que la división geográfica pareciera menos severa de lo que realmente era para estratos pequeños específicos.

Los investigadores enfatizan que este "encogimiento" no es solo una peculiaridad matemática; tiene consecuencias reales en cómo entendemos la desigualdad. Cuando un modelo suaviza los datos, puede hacer que un grupo pequeño y marginado parezca tener un riesgo de salud más cercano al promedio, cuando en realidad, podrían estar enfrentando una situación mucho más severa. Al informar los números observados brutos, el nuevo método preserva la verdadera magnitud de estas desigualdades. Muestra que, para algunos problemas de salud, el lugar donde vives es una fuerza poderosa que moldea tus oportunidades de vida, mientras que para otros, tus circunstancias personales son el factor dominante. El estudio no afirma que los modelos complejos sean inútiles; son buenos para hacer predicciones cuando los datos son escasos. Pero para describir la realidad de la desigualdad en salud tal como existe ahora, los investigadores argumentan que el enfoque más simple —contar lo que hay— es el más honesto.

El estudio concluye que, para comprender y abordar verdaderamente las disparidades de salud, los científicos y los responsables de la formulación de políticas deben observar los datos sin suavizarlos. El nuevo método proporciona una herramienta para hacer esto, permitiendo a los investigadores ver exactamente cuánto de una desigualdad se debe a dónde vive la gente y cuánto se debe a quién es cada uno. En el caso de Malmö, los datos revelaron que, mientras que las luchas de salud mental son en gran medida una historia de pobreza individual, la elección del proveedor de atención médica es una historia de geografía y segregación que amplifica las diferencias sociales. Al negarse a ocultar las pequeñas y afiladas diferencias en los datos, los investigadores ofrecen un camino más claro hacia la comprensión de la verdadera estructura de la salud en la sociedad. El trabajo sugiere que, si queremos solucionar las desigualdades de salud, primero debemos verlas exactamente como son, no como un modelo estadístico cree que deberían ser.