Temporally non-local harmonisation and cardiovascular model transport between England and China: a measurement-methods study

En el mundo de la salud pública, los investigadores suelen intentar construir un único mapa de riesgo que pueda guiar a los médicos en muchos lugares diferentes. Recopilan datos de grandes grupos de personas durante muchos años, siguiendo quién desarrolla enfermedades cardíacas y quién no. El objetivo es crear una herramienta de predicción que funcione en todas partes, diciéndole a un médico en un país qué tan probable es que un paciente sufra un ataque al corazón basándose en su edad, sus hábitos de fumar y su historial médico. Sin embargo, estas herramientas dependen de las historias que las personas cuentan sobre su salud pasada. Un desafío importante surge cuando los investigadores intentan combinar datos de diferentes países o de diferentes períodos de tiempo. A veces, la historia médica de una persona cambia entre las entrevistas. Un diagnóstico reportado años después podría usarse para reescribir lo que se sabía sobre su salud al inicio del estudio. Esto crea un problema: si el punto de partida de la historia cambia, todo el trayecto de la herramienta de predicción puede desplazarse, lo que potencialmente conduce a conclusiones diferentes sobre quién está en riesgo y qué tan bien funciona la herramienta.

Dos grandes estudios, uno que seguía a adultos mayores en Inglaterra y otro que seguía a un grupo similar en China, proporcionaron una oportunidad única para probar cómo estas historias cambiantes afectan las predicciones médicas. Investigadores del University College London y de un hospital en China decidieron investigar si la forma en que se registran estas historias cambia la fiabilidad de los modelos de enfermedades cardíacas cuando se trasladan de un país al otro. Se centraron en un problema específico: la diferencia entre una historia "liberada", que incluye toda la información disponible en el momento del análisis, y una historia "anclada en el tiempo", que reconstruye lo que realmente se sabía por el paciente y los investigadores en el momento exacto de la entrevista, ignorando correcciones posteriores. Al comparar estas dos versiones, querían ver si fijar la línea de tiempo de los datos mejoraba la precisión de las predicciones o si simplemente cambiaba la mezcla de personas que se estaba estudiando.

Los investigadores tomaron los datos de ambos países y construyeron dos versiones de la historia de salud para cada participante. En la primera versión, utilizaron los archivos de datos estándar, que a menudo incorporan diagnósticos reportados en entrevistas posteriores para actualizar registros anteriores. En la segunda versión, eliminaron esas actualizaciones posteriores, bloqueando la historia a lo que se sabía en el momento específico de cada entrevista. Luego, probaron qué tan bien un modelo construido en China podía predecir enfermedades cardíacas en Inglaterra, y viceversa, utilizando ambas versiones de la historia. Los resultados mostraron que cambiar la línea de tiempo de los datos tenía un impacto real y mensurable. En el estudio chino, casi el 9 por ciento de los participantes vieron cambiado su estado de enfermedad cardíaca cuando se corrigió la línea de tiempo. En el estudio inglés, la cifra fue de alrededor del 4.5 por ciento. Más importante aún, el número total de personas que entraban y salían del grupo "sano" fue mucho mayor, con más del 10 por ciento del grupo chino y casi el 6 por ciento del grupo inglés cambiando de estatus. Esto significó que el grupo de personas que se estaba estudiando no era el mismo en ambas versiones, aunque el número total de participantes parecía similar.

Cuando los investigadores probaron los modelos de predicción, descubrieron que corregir la línea de tiempo no hacía que los modelos fueran universalmente mejores. En la dirección de China hacia Inglaterra, la capacidad del modelo para clasificar a las personas por riesgo mejoró ligeramente, lo que significa que fue mejor identificando quién tenía más probabilidades de enfermar que quién tenía menos. Sin embargo, el modelo no mejoró en la predicción de la probabilidad real de enfermar. En la dirección opuesta, de Inglaterra a China, el ordenamiento mejoró, pero el error en la predicción del riesgo real aumentó significativamente. El modelo continuó subestimando el riesgo para el grupo de Inglaterra a China, independientemente de si la línea de tiempo se había corregido. Los investigadores descubrieron que las mejoras en el ordenamiento no se debían a que el modelo aprendiera mejores reglas sobre cómo funcionan los factores de riesgo. En cambio, las mejoras se debieron a que la corrección de la línea de tiempo cambió quién era admitido en el estudio. Al eliminar a las personas cuyo estado de salud fue revisado, los investigadores alteraron la composición del grupo, lo que desplazó los resultados.

El estudio también analizó si estos cambios afectaban de manera diferente a hombres y mujeres o si se aplicaban más a los ataques al corazón que a los accidentes cerebrovasculares. Los datos no mostraron evidencia de que el efecto de la corrección de la línea de tiempo dependiera del sexo. Si bien las mujeres en el estudio chino tenían más probabilidades de que sus historias fueran revisadas que los hombres, el impacto en los modelos de predicción fue el mismo para ambos grupos. Del mismo modo, aunque las historias de enfermedades cardíacas fueron revisadas con más frecuencia que las de accidentes cerebrovasculares, esta diferencia no condujo a resultados distintos en el desempeño de los modelos. El hallazgo central se mantuvo constante: el acto de fijar la línea de tiempo cambió el grupo de personas que se analizaba, y este cambio en el grupo fue el responsable de los cambios en el desempeño del modelo.

En última instancia, la investigación sugiere que simplemente limpiar la línea de tiempo de las historias médicas no es una solución mágica para las herramientas de predicción transnacionales. Si bien es importante saber exactamente qué se sabía en el momento de una entrevista, hacer esto no hace automáticamente que un modelo desarrollado en un país funcione perfectamente en otro. El estudio destaca que las personas que entran en un estudio son tan importantes como las reglas utilizadas para predecir su futuro. Cuando se ajusta la línea de tiempo, la mezcla de personas cambia, y este cambio impulsa los resultados más que cualquier mejora en las reglas de predicción en sí mismas. Para los médicos e investigadores, esto significa que, antes de usar un modelo de predicción de un país en otro, deben comprender no solo la historia médica de los pacientes, sino también cómo se recopilaron los datos y cómo se seleccionó el grupo de personas. El estudio concluye que, si bien el anclaje temporal ayuda a clarificar el orden de los eventos, no resuelve el problema más profundo de transferir las predicciones de riesgo entre diferentes poblaciones, y se necesita más trabajo para entender cómo hacer que estas herramientas sean verdaderamente confiables para todos.