Las reglas de Ottawa para el tobillo son el ejemplo clásico de cómo una simple regla de predicción clínica puede mejorar la práctica clínica. Sin embargo, hay muchos retos y barreras por los que hay que tener cuidado al utilizar las reglas de predicción clínica en la práctica. En este artículo del blog, hablaremos de los problemas a los que se enfrentan los RCP:
Las reglas de predicción clínica (RPC) son herramientas matemáticas que pretenden guiar a los clínicos en su toma de decisiones cotidiana. Las RCP se crean utilizando métodos estadísticos multivariantes, están diseñadas para examinar la capacidad de predicción de agrupaciones seleccionadas de variables clínicas. Las reglas de predicción clínica pueden clasificarse mejor en tres grupos distintos: de diagnóstico, de pronóstico y de prescripción. Los estudios que se centran en los factores predictivos relacionados con un diagnóstico específico se conocen como RCP de diagnóstico. Las reglas de predicción clínica diseñadas para predecir un resultado, como el éxito o el fracaso, se consideran pronósticas. Las reglas de predicción clínica diseñadas para orientar las intervenciones más eficaces se identifican como prescriptivas. Su ventaja es que pueden ayudar a los clínicos a tomar decisiones rápidas que normalmente pueden estar sujetas a sesgos subyacentes.
Un ejemplo de RCP predictiva, al que nos referiremos en este vídeo, es la RCP de Flynn et al. (2002) para el éxito de la manipulación lumbar: Si están presentes 3 o más de los siguientes 5 elementos, la probabilidad de éxito con la manipulación se incrementa en un factor de 2,6, con 4+ o más con un factor de 24. Estos factores son: ausencia de síntomas distales a la rodilla, inicio de los síntomas en menos de 30 días, una puntuación FABQ <19, hipomovilidad de la columna lumbar y rotación interna de la cadera de más de 35 grados en al menos una cadera.
Las RCP tienen que pasar por 3 etapas antes de su plena aplicación en un entorno clínico:
- Derivación: En esta fase, las RCP se derivan utilizando métodos estadísticos multivariantes para examinar la capacidad de predicción de agrupaciones seleccionadas de variables clínicas.
- Validación: La RCP se prueba en un entorno clínico similar (lo que se denomina validación interna), y luego la RCP se prueba en un entorno clínico diferente (lo que se denomina validación externa)
- Impacto: Medición de la utilidad de la regla en el entorno clínico en términos de coste-beneficio, satisfacción del paciente, asignación de tiempo/recursos, etc., que suele probarse en ensayos controlados aleatorios
El último paso sería la fase de Implementación en la que se logra la aceptación y adopción generalizada de la norma en la práctica clínica.
De 434 reglas de predicción clínica, sólo el 54,8% han sido validadas y sólo el 2,8% han sido objeto de un análisis de impacto.
Keogh et al. (2014) han encontrado 434 normas individuales hasta el año 2014. Sólo el 54,8% de ellas habían sido validadas y sólo el 2,8% habían sido sometidas a un análisis de impacto. La mayoría de los estudios se realizaron en el ámbito de las enfermedades cardiovasculares y respiratorias, seguidas del ámbito musculoesquelético.
Así que la primera advertencia aquí es que, aunque hay muchas RCP, muchas de ellas no han sido validadas, y mucho menos han sido sometidas a estudios de impacto, por lo que no podemos decir si su uso mejorará la práctica clínica. La RCP de Flynn es una de las pocas RCP predictivas que conocemos y que ha sido validada con éxito dos años después por Childs et al. (2004) en un ensayo controlado aleatorio. Encontraron que las probabilidades de un resultado exitoso de los pacientes que fueron positivos en la RCP con 4 de 5 ítems en comparación con los pacientes que fueron negativos en la regla y recibieron ejercicio fue de 60,8.
Al igual que la RCP de Flynn y sus colegas, la mayoría de las reglas de predicción clínica utilizadas en la práctica musculoesquelética son RCP predictivas. Esas RCP utilizan criterios de referencia denominados modificadores del efecto del tratamiento, que se obtienen a partir de un examen físico para informar del tipo de tratamiento que debe recibir preferentemente un paciente. Lamentablemente, hay otros escollos potenciales de las reglas de predicción clínica, que Haskins y Cook (2016 ) señalaron en un editorial para el BJSM:
- Muchos métodos de modelización simples y derivados utilizados por en muchos estudios captan los factores pronósticos, en lugar de los factores prescriptivos. En otras palabras, las reglas identificaban a los pacientes que iban a mejorar de todos modos, independientemente del tratamiento que recibieran. Si tomamos de nuevo la RCP de Flynn, una duración de los síntomas inferior a 30 días o la ausencia de síntomas distales a la rodilla y un bajo nivel de evitación del miedo son factores pronósticos generales positivos que favorecen la recuperación independientemente del tratamiento. En realidad, la historia natural asociada a esos signos y síntomas es muy favorable, lo que significa que la mejora no estará asociada a los cuidados recibidos, sino al tiempo.
- Muchas RCP prescriptivas contienen factores no modificables, como la edad, el sexo o la duración de los síntomas, que no pueden modificarse con el tratamiento. Para maximizar el potencial del modelo los predictores deben ser factores mediadores que puedan ser influenciados por el tratamiento como el miedo, la catastrofización, la pérdida de fuerza o la flexibilidad
- Otro punto importante es que los factores incluidos en el modelo deben tener una alta fiabilidad. En el caso de la RCP de Flynn, un factor del modelo es la "hipomovilidad de la columna lumbar". Una revisión sistemática de van Trijffel et al. (2005), sin embargo, ha demostrado que la fiabilidad entre evaluadores en la columna lumbar es entre mala y regular. Esto dificultará que diferentes calificadores que utilicen la RCP lleguen a la misma conclusión en este ítem.
- La mayoría de las RCP tienen poca potencia debido a que el tamaño de las muestras es insuficiente, lo que da lugar a intervalos de confianza extremadamente amplios que indican la falta de precisión de la exactitud predictiva de una RCP. En el estudio de Flynn tenemos un intervalo de confianza del 95% que va de 4,63 a 139,41 en caso de 4 o más elementos positivos. Así pues, el efecto de la manipulación en los pacientes que obtienen una puntuación positiva en la RCP puede ser moderado, pero también puede ser enorme, con un odds ratio de 139 en 95 de cada 100 casos.
Muy bien, resumamos las razones por las que no debemos confiar ciegamente en las RCP para la práctica clínica: La mayoría de las RCP sólo se han derivado, pero nunca se han validado (con éxito), y mucho menos han llegado a la fase de impacto clínico. Los resultados de un estudio y un entorno concreto no pueden trasladarse sin más a su entorno clínico. Muchos factores de una RCP son factores de pronóstico positivo que se asocian a una evolución natural favorable. Así que esos pacientes iban a mejorar de todos modos. Por último, es importante que se incluyan factores fiables y modificables en un modelo para maximizar su potencial, mientras que los estudios deberían aumentar el tamaño de sus muestras para describir el efecto de la RCP con mayor precisión.
La aplicación de terapia manual (iOS y Android)
La App de Terapia Manual de Fisiotutores alberga más de 150 técnicas de movilización y manipulación del sistema musculoesquelético. Además, encontrará información sobre las pruebas de detección del sistema vascular y la integridad de los ligamentos.
Si quiere estar al día y recibir notificaciones en cuanto publiquemos un nuevo artículo en el blog, asegúrese de suscribirse a nuestro canal RSS, que le enviará la notificación de nuevos artículos directamente a su bandeja de entrada.
Referencias:
Adams ST, Leveson SH. Reglas de predicción clínica. Bmj. 2012 Jan 16;344:d8312.
Cook C. Potential pitfalls of clinical prediction rules.
Artículo del blog de Chad Cook: https://relief.news/2016/09/05/rip-prescriptive-clinical-prediction-rules/
Wallace E, Johansen ME. Reglas de predicción clínica: desafíos, barreras y promesas.
