A transparent process for creating behavioural systems maps to inform population simulation models which aim to explain and predict public health policy effects: the case of smoking cessation in England

Imagina intentar predecir el futuro de una ciudad bulliciosa, pero en lugar de atascos de tráfico y patrones climáticos, estás rastreando algo mucho más personal: por qué las personas toman las decisiones que toman. Este es el mundo de las políticas de salud pública, donde los científicos actúan como detectives tratando de averiguar qué leyes y campañas ayudarán realmente a las personas a ser más saludables. Para hacer esto, utilizan "modelos de simulación", que son como videojuegos súper avanzados. En estos juegos, puedes construir una población virtual, retocar una regla (como subir el precio de los cigarrillos) y observar qué sucede a lo largo de los años sin arriesgar vidas reales. Pero aquí está la parte difícil: estos juegos son tan buenos como las reglas que les das. Si el juego no entiende por qué una persona decide dejar de fumar, no puede predecir si una nueva política funcionará. Ahí es donde entra un marco especial llamado COM-B. Piensa en esto como un taburete de tres patas que sostiene cualquier comportamiento humano: necesitas Capacidad (¿puedes hacerlo?), Oportunidad (¿el mundo te deja hacerlo?) y Motivación (¿quieres hacerlo?). Sin las tres patas, el comportamiento se cae.

Ahora, imagina a un equipo de científicos intentando construir el "Simulador Definitivo para Dejar de Fumar" para Inglaterra. Se dieron cuenta de que simplemente adivinar cómo funcionan las políticas no era suficiente; necesitaban una receta transparente y paso a paso para mapear exactamente cómo una política cambia la Capacidad, la Oportunidad o la Motivación de una persona. Esta es la historia de su nuevo método, un proceso que llaman "mapeo de sistemas conductuales". No solo construyeron un modelo; construyeron un plano de cómo construir el modelo, utilizando el complejo viaje de dejar de fumar como su caso de prueba. Descubrieron que dejar de fumar no es solo un gran evento; son dos batallas diferentes con reglas distintas. Y al dibujar estas reglas en un mapa, demostraron cómo crear una simulación que realmente pueda predecir los efectos a largo plazo de las políticas de salud pública, ayudando a los líderes a gastar el dinero donde más bien hará.

El plano para una revolución de abandono

Los investigadores, una mezcla de magos de la computación y expertos en comportamiento, comenzaron con una pregunta simple pero masiva: ¿Cómo construimos una simulación por computadora que no solo adivine, sino que realmente entienda por qué la gente deja de fumar? Sabían que los modelos tradicionales eran un poco como mapas planos; podían mostrarte dónde estaba la gente, pero no podían mostrarte las colinas y valles que hacían el viaje difícil o fácil. Para solucionar esto, desarrollaron un nuevo proceso transparente utilizando "mapas de sistemas conductuales". Piensa en estos mapas como un gigante e interactivo diagrama de flujo que conecta los puntos entre una política gubernamental, los engranajes psicológicos que giran dentro de la cabeza de una persona y la acción final de apagar un cigarrillo.

El proceso que crearon tiene cuatro pasos principales, como una receta para un pastel muy complicado. Primero, tuvieron que decidir qué "comportamientos" modelar. Se dieron cuenta de que dejar de fumar no es solo una cosa. Es en realidad dos etapas diferentes: el momento en que decides intentar dejarlo (el "intento de dejarlo") y la larga y dura lucha por mantenerse libre de humo (el "mantenimiento del abandono"). Descubrieron que los factores que impulsan estas dos etapas son totalmente diferentes, como que los ingredientes para la masa de un pastel son diferentes de los ingredientes para el glaseado.

Después, utilizaron el marco COM-B para construir su mapa basado en la teoría. Tomaron cientos de cosas diminutas y observables —como cuánto disfruta una persona fumando, si tiene el consejo de un médico o cuántos fumadores hay en su grupo de amigos— y las clasificaron en los tres cubos: Capacidad, Oportunidad o Motivación. Por ejemplo, descubrieron que para alguien que solo está intentando dejarlo, su motivación es enorme. Cosas como cuánto disfruta fumar o cuánto gasta en cigarrillos impulsan esa decisión. Pero para alguien que intenta mantenerse sin fumar, la motivación importa menos, y la "capacidad" toma el mando. Cosas como tener una identidad de no fumador, usar parches de nicotina o tener un nivel de adicción más bajo son los actores clave.

El equipo luego tuvo que volverse realista. Miraron su elegante mapa teórico y se preguntaron: "¿Qué podemos medir realmente con datos?". Esto los llevó a su mapa "basado en datos". Tuvieron que recortar algunas de las ideas teóricas geniales porque no había suficientes datos para respaldarlas. Por ejemplo, aunque sabían que entender los daños de fumar es importante, no pudieron encontrar suficiente evidencia en el contexto inglés actual para probar que fuera un motor principal, así que lo dejaron fuera de la simulación final. También tuvieron que decidir qué políticas probar. Eligieron una "campaña de medios masivos" para animar a la gente a intentar dejarlo (aumentando la motivación) y "más financiamiento para servicios para dejar de fumar" para ayudar a la gente a mantenerse sin fumar (aumentando la capacidad).

Una de las partes más emocionantes de su trabajo es cómo manejaron los "bucles de retroalimentación". En la vida real, dejar de fumar cambia el mundo que te rodea, lo que a su vez te cambia a ti. Si dejas de fumar, podrías tener menos amigos fumadores, lo que hace más fácil que tus amigos también dejen de fumar. O, si intentas dejarlo y fallas, podrías sentirte menos motivado la próxima vez. El equipo construyó estos bucles en su mapa, creando un sistema complejo y vivo donde el comportamiento de una persona se propaga para afectar a toda la población. Incluso incluyeron una "población sintética", una multitud virtual de personas que refleja la realidad del Reino Unido, completa con diferentes edades, trabajos y círculos sociales. Esto significa que su modelo puede mostrar cómo una política podría ayudar a una persona rica de manera diferente a una persona pobre, o cómo el viaje de un joven difiere del de una persona mayor.

Lo que encontraron (y lo que no)

El gran descubrimiento aquí no es una píldora mágica que haga que todos dejen de fumar instantáneamente. En cambio, el artículo sugiere que la forma en que modelamos estos problemas necesita una actualización seria. Al usar su nuevo proceso de mapeo, el equipo encontró que intentar modelar el "dejar de fumar" como un solo evento es un error. Los factores que te llevan a intentar dejarlo son distintos de los factores que te ayudan a mantenerte sin fumar. Por ejemplo, encontraron que mientras que el uso de terapia de reemplazo de nicotina (TRN) ayuda a motivar un primer intento, es la versión con receta médica de la TRN y otros auxiliares lo que realmente ayuda a alguien a mantener el abandono.

También descartaron explícitamente la idea de que simplemente podemos lanzar todos los factores posibles a un modelo y esperar lo mejor. Mostraron que sin un mapa claro que vincule las políticas con impulsores psicológicos específicos, la simulación se convierte en una caja negra. También señalaron que, aunque su modelo es sofisticado, sigue siendo una simulación. Sugiere cómo las cosas podrían funcionar basándose en los datos que tienen, pero no ha "probado" que estas políticas funcionarán definitivamente en el mundo real todavía. El modelo es una herramienta para ayudar a los responsables de las políticas a tomar mejores decisiones, no una bola de cristal.

Además, fueron cuidadosos al decir que su mapa actual no lo cubre todo. No modelaron la compleja danza entre fumar y vapear en detalle, ni incluyeron cada posible cambio de política, como los aumentos de precio en el tabaco, porque querían centrarse primero en los mecanismos conductuales. También admitieron que su modelo dependía en gran medida de los datos existentes, y si a esos datos les falta una pieza, el mapa tiene un vacío.

Por qué esto es importante

Entonces, ¿por qué debería importarle a un adolescente curioso un montón de modelos computacionales y diagramas de flujo? Porque este proceso cambia la forma en que resolvemos los grandes problemas. Antes de esto, intentar predecir si una nueva ley ayudaría a la gente a dejar de fumar era como navegar por un laberinto en la oscuridad. Adivinabas hacia qué lado girar, y si chocabas con una pared, simplemente lo intentabas de nuevo. Este nuevo método te entrega una linterna y un mapa. Permite a los científicos y a los responsables de las políticas ver las conexiones ocultas entre una decisión gubernamental y la vida diaria de una persona.

Al separar el "intentar" del "mantenerse", el modelo muestra que necesitamos diferentes herramientas para diferentes partes del viaje. No puedes usar un póster motivacional para ayudar a alguien que ha estado sin fumar durante un año; esa persona necesita un apoyo diferente, como un mejor acceso a ayudas médicas. Y debido a que el modelo tiene en cuenta cómo las personas se influyen entre sí, puede predecir cómo una política podría ayudar a toda una comunidad, no solo a una persona.

Los autores tienen la esperanza de que este proceso transparente pueda utilizarse para otros problemas de salud, como el consumo de alcohol o la obesidad. Creen que al hacer que la "receta" de estos modelos sea clara y abierta, podemos construir mejores simulaciones en el futuro. Estas simulaciones no serán solo juegos elegantes; serán herramientas poderosas que ayudarán a los líderes a tomar decisiones que sean más justas y efectivas, asegurando que el dinero público se gaste en las estrategias que realmente funcionan para las personas que más lo necesitan. Es un paso hacia un futuro donde no solo adivinamos qué funciona, sino que sabemos por qué funciona.