Enfoque en nuestro enseñante : Alice VINCENT
El CEERRF establece una nueva noticia cada mes, se trata de un enfoque en sus enseñantes, sus experiencias o uno de sus trabajos que se comparten aquí y esperamos que les llame la atención.
Alice Vincent es fisioterapeuta, igualmente es diplomada interuniversitaria en interpretación de ensayos terapéuticos y del centro de enseñanza de estadística en salud pública, medicina y biología. Igualmente cursó estudios de salud pública, donde obtuvo un Máster 2 en metodología y estadística en investigación biomédica en la Escuela Superior de Salud Pública de París-Saclay.
En la actualidad, ejerce como profesional independiente, imparte formación inicial en varios institutos de formación fisioterapeuta (IFMK) de la región de Île-de-France y es miembro del colegio científico del Comité de Protección de las Personas XI de Île-de-France.
Estadísticas y fisioterapia
A la Fisioterapia le ha llegado la hora para la investigación. Todos sus actores están de acuerdo en decirlo. La literatura científica parece autorizada, los datos se califican a veces de “pruebas”, tangibles, reales, casi indiscutibles. Sin embargo, ¿qué es lo que se demuestra? E incluso si lo es, ¿prueba algo?
Tenemos que admitir que la mayoría de las veces nos equivocamos. Cometemos errores todos los días, incluso cuando creemos que lo estamos haciendo bien y queremos hacerlo mejor. Así que la literatura científica tiene la onerosa tarea de dar respuestas, arrojar luz sobre nuestras zonas grises y orientar nuestras prácticas como profesionales de la salud. No obstante, ¿ha aceptado alguna vez esta responsabilidad, o incluso ha tenido la capacidad de hacerlo?
Cuando me gradué como fisioterapeuta, decidí continuar mi formación con varias diplomaturas universitarias y un máster 2, todos tenían un punto en común, a saber, la metodología y la estadística aplicada a los datos sanitarios. En primer lugar, volviendo a lo básico: a las leyes de la probabilidad que definen el mundo de la estadística, a los métodos inherentes a la epidemiología y a la investigación clínica, aprendiendo a calcular sin la ayuda de una máquina. Luego, complejizando el panorama: integrando en los análisis modelos de Data Sciences para datos sanitarios masivos, descubriendo otros modelos más adaptados a las variables y cuestiones estudiadas, aprendiendo a escribir las líneas de código que luego permiten al ordenador calcular por sí mismo… Llegué a estos cursos con muchas preguntas, malentendidos y zonas grises. Salí con un número aún mayor de respuestas y, sobre todo, con una apreciación más modesta de este universo metodológico y estadístico, que me gustaría compartir con ustedes aquí.
Aceptar la imperfección
Al interpretar los datos científicos, a menudo se olvida la humildad. Cuando interpretamos una “p value” y concluimos que estamos “probando la eficacia de (…)”, olvidamos que, sin embargo, hemos admitido un cierto riesgo de concluir erróneamente que existe una diferencia (riesgo alfa).
Cuando leemos un coeficiente de correlación, estamos de acuerdo en que si es inferior a 0,2 es muy bajo, luego inferior a 0,4 es bajo, y así sucesivamente. Pero este significado que queremos darle no tiene ninguna base científica particular, es una interpretación consensuada.
La mayoría de las veces, cuando interpretamos un estudio científico, nos encontramos con problemas: no hay suficientes pacientes, muestras no representativas, no son suficientemente significativas, recogida de datos mal documentada, una población perdida de vista… Estos problemas, que no lo son tanto, perturban nuestro deseo de obtener una respuesta clara e inequívoca. Y sí, podemos pensar que si lo que leemos es científico, probablemente sea muy riguroso, y los resultados obtenidos también deben serlo.
De hecho, las estadísticas están lejos de ser rigurosas. Y para intentar que lo sean, tendemos a tranquilizarnos pensando que lo que hacemos está bajo control. Ya sea para el lector o para el escritor. “Tengo derecho a probar mis datos con una prueba “test de Student” porque he comprobado que se distribuyen según una distribución de “ley Normal”. Al realizar una prueba de normalidad, como la prueba de “Shapiro-Wilk”, se hacen las siguientes suposiciones. H0: la distribución de los datos es normal, y H1: la distribución de los datos no es normal. Si concluimos que los datos se distribuyen normalmente, para realizar una prueba de Student, entonces admitimos H0. Sin embargo, bajo H0, consentimos un riesgo beta que no conocemos, lo que es simplemente… ilógico. No se puede llegar a una conclusión sin conocer el riesgo de ser estúpido. Este razonamiento no se sostiene. Así, cuando intentamos tranquilizarnos, acabamos haciendo cualquier cosa y empleando métodos que no fueron creados para ello, ¡con tal de que pueda parecer riguroso y sólido!
Aceptar la sencillez
Utilizar los datos de la literatura científica para gestionar mejor a nuestros pacientes: todos los profesionales están de acuerdo en hacerlo. Sí, pero ¿cómo? La mayoría de las veces, nos encontramos con una oleada de términos desconocidos, modelos complicados en los que todos estos cálculos nos confunden, y al final no entendemos nada. Así que es difícil enfrentarse a un ejercicio en el que no que sabes hacer.
Incluso las estadísticas descriptivas más básicas a veces nos dan problemas. ¿Quién recuerda la definición de desviación estándar? No mucha gente. Sin embargo, lo que podemos recordar es que dentro de la desviación estándar encontramos aproximadamente dos tercios de los valores observados en nuestra muestra. Esto puede ser impreciso, pero es más fácil de recordar.
Existe la idea errónea de que cuanto más sofisticado es un modelo estadístico, más riguroso es, cuando en realidad… sólo es más complicado. De hecho, en cierto modo, estos complejos modelos ahuyentan al lector, ya que la mayoría de las veces nadie entiende nada de lo que se ha medido y calculado. Terminas admitiendo lo que te dice el autor, ya que de todos modos no entiendes cómo hizo sus cálculos.
Quizás lo que importa no es tanto el modelo estadístico que se utilice, sino el significado de las variables que se introducen en un modelo. El ordenador calculará todo lo que le pidas, aunque lo que le pidas no tenga un significado concreto. Conocer lo suficiente el campo de estudio, saber por qué se estudian ciertos factores en un contexto y no otros, es la relevancia de un buen modelo.
¿Por qué son tan populares los ensayos clínicos? Quizá porque su diseño es sencillo. Y si es sencillo, también es comprensible. Cuando lo dejas claro, también convences a más lectores, sin hacer trampas.
Abogar por la sencillez no es aceptar la propia falta de conocimientos, es aspirar a la misma accesibilidad de la información para todos.
La literatura en nuestras prácticas
Cualquiera que se atreva a decir hoy que la literatura no tiene la respuesta a todo se atraerá la ira de sus defensores. Pero ¿estamos realmente seguros de que siempre somos capaces de medir bien, describir bien y, por último, explicar bien?
La sensación del profesional: “No puedo explicar por qué, pero siento que este paciente necesita más tiempo para escuchar la opción terapéutica que le estoy proponiendo. Será mejor que le dé tiempo y se lo vuelva a proponer dentro de un tiempo”. ¿Podemos medirlo correctamente?
Conocimiento del campo en un contexto específico: “Esta madre, que está involucrada en el cuidado de su hijo, me pide que interrumpa su cuidado durante un mes, para darle tiempo para descansar. Sé que está lo suficientemente implicada como para continuar la autoeducación con su hijo durante este tiempo, así que acepto. ¿Cómo se puede teorizar esta observación?
Está claro que el contexto, simplificado por estas 4 variables, es en realidad mucho más complejo que eso. Todos estos son parámetros difíciles de medir y, por tanto, de tener en cuenta en la ecuación.
Del mismo modo, cada vez hay más estudios que analizan la calidad de vida de los pacientes, lo cual debe ser bienvenido. ¿Pero alguien ha preguntado cómo se mide esto? ¿Y qué es la calidad de vida? ¿Puede describirse de la misma manera de un individuo a otro? ¿Con qué tacto se hacen ciertas preguntas a los pacientes? ¿Cómo investigamos ciertas áreas para obtener las respuestas deseadas, no las socialmente correctas? ¿Qué es lo importante? ¿Qué se mide o cómo se mide?
Hemos olvidado el significado de la palabra ciencia. Según Charles Nodier, “la ciencia consiste en olvidar lo que creemos saber, y la sabiduría en no preocuparse por ello”. La ciencia es un proceso en el que va añadiendo una a una las piezas del rompecabezas, a menudo se equivoca y siempre acepta corregirse.
No hay ningún estudio sacrosanto que nos haga mejores profesionales, sólo hay piezas del rompecabezas que, una a una, nos permiten comprender mejor los problemas con los que nos encontramos cada día, y mejorar nosotros mismos en un momento dado.
En su búsqueda de tiempo, el profesional que quiere hacer lo correcto, y al que se le ha dicho que haría mejor en leer estudios con un alto nivel de evidencia, se equivoca sin saberlo. ¿Qué nivel de evidencia tiene según qué criterios? Y el resto, ¿lo tiramos a la basura? ¡Claro que no! El objetivo aquí no es tirar piedras a nadie, sino cuestionar nuestro razonamiento. Al final, para el profesional al que se le ha dicho repetidamente que la ciencia es el futuro de la fisioterapia, basar su práctica en estudios con un alto nivel de evidencia puede permitirle ya dormir mejor sobre sus dos orejas.
[1] Falissard B. Comprendre et utiliser les statistiques dans les sciences de la vie. 3e édition. Elsevier Masson; 2019. 384 p.
[2] Bouyer J. Epidémiologie. Principes et méthodes quantitatives. Lavoisier;
[3] Institute of Medicine of the national academics. Finding what works in health care : Standards for systematic reviews.