Mostrando las entradas con la etiqueta medicina basada en la evidencia. Mostrar todas las entradas
Mostrando las entradas con la etiqueta medicina basada en la evidencia. Mostrar todas las entradas

8 de abril de 2022

La ilusión de la medicina basada en la evidencia

La medicina basada en la evidencia ha sido corrompida por los intereses corporativos, la regulación fallida y la comercialización de la academia, argumentan Jon Jureidini y Lemon McHenry, autores de una editorial publicada en marzo de 2022 en el British Medical Journal.

"El advenimiento de la Medicina Basada en la Evidencia fue un cambio de paradigma destinado a proporcionar una base científica sólida para la medicina. Sin embargo, la validez de este nuevo paradigma depende de datos confiables de ensayos clínicos, la mayoría de los cuales son realizados por la industria farmacéutica y reportados en nombre de académicos de alto nivel. La liberación al dominio público de documentos de la industria farmacéutica anteriormente confidenciales le ha brindado a la comunidad médica información valiosa sobre el grado en que se tergiversan los ensayos clínicos patrocinados por la industria. Hasta que se corrija este problema, la medicina basada en la evidencia seguirá siendo una ilusión.

La filosofía del racionalismo crítico, propuesta por el filósofo Karl Popper, abogó por la integridad de la ciencia y su papel en una sociedad abierta y democrática. Una ciencia de verdadera integridad sería aquella en la que los practicantes tuvieran cuidado de no apegarse a hipótesis apreciadas y tomaran en serio el resultado de los experimentos más rigurosos. Sin embargo, este ideal se ve amenazado por las corporaciones, en las que los intereses financieros triunfan sobre el bien común. La medicina está dominada en gran medida por un pequeño número de compañías farmacéuticas muy grandes que compiten por una cuota de mercado, pero que están efectivamente unidas en sus esfuerzos por expandir ese mercado. El estímulo a corto plazo para la investigación biomédica debido a la privatización ha sido celebrado por los campeones del libre mercado, pero las consecuencias no deseadas a largo plazo para la medicina han sido graves. El progreso científico se ve frustrado por la propiedad de los datos y el conocimiento porque la industria suprime los resultados negativos de los ensayos, no informa los eventos adversos y no comparte datos sin procesar con la comunidad de investigación académica. Los pacientes mueren debido al impacto adverso de los intereses comerciales en la agenda de investigación, las universidades y los reguladores.

La responsabilidad de la industria farmacéutica hacia sus accionistas significa que se debe dar prioridad a sus estructuras jerárquicas de poder, lealtad al producto y propaganda de relaciones públicas sobre la integridad científica. Aunque las universidades siempre han sido instituciones de élite propensas a la influencia a través de donaciones, durante mucho tiempo han pretendido ser guardianes de la verdad y la conciencia moral de la sociedad. Pero frente a la financiación gubernamental inadecuada, han adoptado un enfoque de mercado neoliberal, buscando activamente financiación farmacéutica en condiciones comerciales. Como resultado, los departamentos universitarios se convierten en instrumentos de la industria: a través del control de la agenda de investigación por parte de la empresa y la redacción fantasma de artículos de revistas médicas y la educación médica continua, los académicos se convierten en agentes para la promoción de productos comerciales. Cuando los escándalos relacionados con la asociación entre la industria y la academia se exponen en los principales medios de comunicación, se debilita la confianza en las instituciones académicas y se traiciona la visión de una sociedad abierta.

La universidad corporativa también compromete el concepto de liderazgo académico. Los decanos que alcanzaron sus posiciones de liderazgo en virtud de distinguidas contribuciones a sus disciplinas han sido reemplazados en algunos lugares por recaudadores de fondos y gerentes académicos, quienes se ven obligados a demostrar su rentabilidad o mostrar cómo pueden atraer patrocinadores corporativos. En medicina, es probable que aquellos que tienen éxito en la academia sean líderes de opinión, cuyas carreras pueden avanzar a través de las oportunidades que brinda la industria. Los líderes de opinión potenciales se seleccionan en función de una serie compleja de actividades de elaboración de perfiles realizadas por las empresas; por ejemplo, los médicos se seleccionan en función de su influencia en los hábitos de prescripción de otros médicos. Los lideres de opinión son buscados por la industria por esta influencia y por el prestigio que su afiliación universitaria aporta a la marca de los productos de la empresa. Como miembros bien pagados de juntas asesoras farmacéuticas y oficinas de oradores, los líderes de opinión presentan los resultados de los ensayos de la industria en conferencias médicas y en educación médica continua. En lugar de actuar como científicos independientes y desinteresados ​​y evaluar críticamente el rendimiento de un fármaco, se convierten en lo que los ejecutivos de marketing denominan "campeones del producto".

Irónicamente, los líderes de opinión patrocinados por la industria parecen disfrutar de muchas de las ventajas de la libertad académica, apoyados por sus universidades, la industria y los editores de revistas para expresar sus puntos de vista, incluso cuando esos puntos de vista son incongruentes con la evidencia real. Si bien las universidades no corrigen las tergiversaciones de la ciencia de tales colaboraciones, los críticos de la industria enfrentan el rechazo de las revistas, amenazas legales y la posible destrucción de sus carreras. Este campo de juego desigual es exactamente lo que preocupó a Popper cuando escribió sobre la supresión y el control de los medios de comunicación de la ciencia. La preservación de instituciones diseñadas para promover la objetividad e imparcialidad científica (es decir, laboratorios públicos, periódicos y congresos científicos independientes) está enteramente a merced del poder político y comercial; el interés creado siempre prevalecerá sobre la racionalidad de la evidencia. 

Los reguladores reciben fondos de la industria y usan ensayos financiados y realizados por la industria para aprobar medicamentos, en la mayoría de los casos sin ver los datos sin procesar. ¿Qué confianza tenemos en un sistema en el que a las compañías farmacéuticas se les permite "marcar sus propios deberes" en lugar de que expertos independientes prueben sus productos como parte de un sistema regulatorio público? Es poco probable que los gobiernos despreocupados y los reguladores capturados inicien los cambios necesarios para eliminar por completo la investigación de la industria y limpiar los modelos de publicación que dependen de los ingresos por reimpresión, publicidad e ingresos por patrocinio.

Nuestras propuestas de reformas incluyen: liberación de los reguladores del financiamiento de las compañías farmacéuticas; impuestos a las compañías farmacéuticas para permitir la financiación pública de ensayos independientes; y, quizás lo más importante, datos anónimos de ensayos a nivel de pacientes individuales publicados, junto con protocolos de estudio, en sitios web accesibles de manera adecuada para que terceros, autonominados o encargados por agencias de tecnología de la salud, puedan evaluar rigurosamente la metodología y los resultados de los ensayos. Con los cambios necesarios en los formularios de consentimiento del ensayo, los participantes podrían exigir a los investigadores que hicieran que los datos estuvieran disponibles de forma gratuita. La publicación abierta y transparente de datos está en consonancia con nuestra obligación moral con los participantes del ensayo: personas reales que han estado involucradas en un tratamiento de riesgo y tienen derecho a esperar que los resultados de su participación se utilicen de acuerdo con los principios de rigor científico. Las preocupaciones de la industria sobre la privacidad y los derechos de propiedad intelectual no deberían dominar."

Jon Jureidini es un psiquiatra infantil australiano, y Lemon B. McHenry, un filósofo profesor emérito de la universidad de California, ambos son coautores de The Illusion of Evidence-Based Medicine: Exposing the Crisis of Credibility in Clinical Research, un libro publicado hace dos años donde según Amazon exponen "la corrupción de la medicina por parte de la industria farmacéutica en todos los niveles, desde la explotación de los indigentes vulnerables para las pruebas de medicamentos, pasando por la manipulación de datos de investigación, hasta la promoción de enfermedades y medicamentos que hacen más daño que bien". Han realizado estudios sobre dos antidepresivos: paroxetina y citalopram donde acusaron al laboratorio de tergiversar los resultados. Los autores realizaron estos estudios mientras asesoraban a un bufete de abogados, según ellos mismos declaran. Por otra parte Jon Juredini es miembro de Healthy Skepticism Inc, una organización australiana que proclama luchar "contra la publicidad engañosa de los medicamentos" y que fundara Peter R. Mansfield en 1983.

Jureidini JMcHenry L BThe illusion of evidence based medicine. doi:10.1136/bmj.o702

30 de marzo de 2022

¿Es útil reportar el número necesario para vacunar?

Las vacunas han salvado más vidas que cualquier otra intervención sanitaria en el último siglo. La Organización Mundial de la Salud estimó que se evitan más de dos millones de muertes al año gracias a los programas de inmunización en todo el mundo, pero posiblemente hayan sido muchas más durante el tiempo que estamos atravesando en esta pandemia. A pesar de este impacto medible, los beneficios de la inmunización a veces se dan por sentados, lo que puede representar un desafío importante, aunque los cuestionamientos de algunos grupos se hicieron más evidentes en el último año, lo que puede resultar en un beneficio para todos ya que impulsa a que mejore la comunicación científica. Los beneficios de la inmunización deben promoverse utilizando medidas simples e intuitivas que permitan una comparación justa con otras prioridades en competencia.

El número necesario para vacunar (NNV) se utiliza como un cálculo resumido simple para evaluar los posibles beneficios de los programas de inmunización en la prevención y el control de enfermedades transmisibles. Para muchos puede ser utilizado como un sucedáneo, pero de igual calidad, del número necesario para tratar (NNT) en medicamentos. Se define como el número de personas necesarias para vacunar a fin de prevenir un resultado, y combina tanto la eficacia de la vacuna como la incidencia de la enfermedad. Generalmente, el NNV se calcula como NNV = 1/(incidencia anual del evento en los no vacunados × efectividad de la vacuna). Esto es equivalente a la recíproca de la reducción del riesgo absoluta anual, ya que la efectividad de la vacuna es comúnmente medida como la reducción del riesgo relativo. 

La lectura entonces sería que cuanto más cerca de 1 esté el NNV más eficaz es la vacuna. Tal que si el NNV fuera igual a 1, entonces por cada persona vacunada se lograría el efecto en 1 persona (100% de eficacia). Si quiero medir el efecto para la mortalidad, entonces en castellano es: si el Número Necesario para Vacunar es 1, entonces necesitaría vacunar a 1 persona para disminuir la mortalidad en esa persona. Si el NNV es 10, entonces necesito vacunar a 10 personas para disminuir la mortalidad en 1 persona. 

Hashim et al publicaron una revisión sistemática en 2014 para responder: ¿Cómo y por qué los investigadores utilizaban el NNV? Ya que, pese a que el NNV es una medida intuitiva del beneficio de una vacuna dada, no existe un umbral acordado para interpretar este número, y se han planteado dudas sobre si es una medida adecuada  Para ello comentaron al meno a 27 estudios primarios con el objetivo de explorar cómo y por qué se usa NNV en la literatura científica para sacar conclusiones sobre el uso apropiado de NNV para la toma de decisiones.

¿Cómo se utiliza el NNV en la literatura médica?

Aunque no es la forma habitual de presentación los resultados de efectividad algunos estudios los han publicado, algunos ejemplos:

Cerca de 1852 niños tendrían que vacunarse para evitar una hospitalización debido a cualquier cepa de influenza circulante en 2009. Lewis y sus colegas también cuantificaron la cantidad de niños que necesitaban vacunarse para evitar una hospitalización y una visita ambulatoria . Se encontró que el NNV varió de 1031 a 3050 para niños de 6 a 23 meses de edad y de 4,255 a 6,897 para niños de 24 a 59 meses de edad. Estimaron que entre 12 y 42 niños de 6 a 5 años de edad deben vacunarse para evitar una visita ambulatoria y que, por lo tanto, la vacunación es un medio importante para reducir las visitas ambulatorias asociadas con la influenza en este grupo de edad. 

Voordouw et al investigaron el beneficio de la vacunación contra la influenza para prevenir la mortalidad por todas las causas. Los autores afirmaron que para prevenir una muerte por influenza se requiere vacunar a 302 personas o una por cada 195 vacunaciones con una cobertura vacunal de hasta el 74%. Llegaron a la conclusión de que la inmunización anual contra la gripe de la población de edad avanzada tiene el potencial de reducir la mortalidad por todas las causas. Aunque yo esté en desacuerdo con esta afirmación, pero lo que se quiere mostrar es la manera de presentar el NNV. 

Dos estudios utilizaron NNV para evaluar los beneficios potenciales contra Herpes Zoster. Skootsky  informó que se evitó un caso de Herpes Zoster por cada 175 adultos mayores de 60 años vacunados y se evitó otro por cada 231 adultos de 70 años o más. 

En otro estudio de Herpes Zoster, Brisson  estimó el NNV para varios resultados de salud relacionados con Herpes Zoster para pacientes de 65 años. Brisson estimó que el NNV para prevenir un caso de Herpes Zoster es 11, para prevenir un caso de neuralgia posherpética (NPH) es 43, para prevenir una muerte por Herpes Zoster es 23,319, para prevenir un año de vida perdido es 3762 y para prevenir una el QALY (Quality Adjusted Life Expectancy Year o año de vida, ajustado por calidad) perdido es 165. El estudio indicó que, dado que el NNV para prevenir la pérdida de un QALY es significativamente menor que el NNV para prevenir la pérdida de un año de vida, el principal beneficio de la vacunación con Herpes Zoster sería entonces la prevención del dolor y el sufrimiento, en lugar de la mortalidad.

Se realizaron varios otros estudios para evaluar los beneficios de la vacunación contra otras enfermedades. Kelly et al. informaron un NNV de 646 para prevenir un caso de tuberculosis en 1986 y 551 en 1991. Llegaron a la conclusión de que esta evidencia respalda una política de vacunación neonatal continuada con Bacillus Calmette-Guérin (BCG) en la población de Irlanda. Un estudio del Reino Unido informó que 5,206 personas deben vacunarse para prevenir una enfermedad neumocócica invasiva. En este estudio, se comunicó la NNV como una forma alternativa de demostrar la eficacia general del programa de vacunación. 

Un editorial de Sawaya y Smith calculó el NNV para un ensayo clínico (FUTURE II) que midió la eficacia de la vacuna contra el HPV. Se encontró que 129 personas necesitaban vacunarse contra el HPV para prevenir un caso de neoplasia intraepitelial cervical.

Dang et al. calculó el NNV para la enfermedad meningocócica del serogrupo B y estimó que entre 33 784 y 38,610 bebés necesitarían vacunarse para prevenir un caso de enfermedad meningocócica invasiva del serogrupo B. El número sería aún mayor, entre 123,751 y 141,429, si se supusiera que los casos en bebés menores de seis meses no se pueden prevenir con vacunas. Los autores concluyeron que esto era muy alto y hacía poco probable que la vacuna fuera una opción política atractiva. Dado que actualmente no existen vacunas meningocócicas B autorizadas en Canadá, los cálculos de este estudio se basaron principalmente en varias suposiciones, incluida la eficacia hipotética de la vacuna y la aceptación de la vacuna, y la suposición de que no no hubo inmunidad colectiva, lo que resultó en una estimación conservadora del NNV.

Crowcroft calculó la cantidad de hogares que deben vacunarse con la vacuna contra la hepatitis A en lugar de la inmunoglobulina humana normal para prevenir un caso de hepatitis A. El estudio encontró que se necesitaría vacunar entre 8 y 26 personas para prevenir un caso adicional. Seria interesante comparar ese número contra otra medida de salud pública como la provisión de agua potable, ya que todavía la provisión de esta no está generalizada en Argentina. Aunque claro está, la provisión de agua potable y cloacas previene muchas más enfermedades que una vacuna contra un solo germen.

Además de los estudios primarios que utilizaron el NNV para describir los beneficios potenciales de los programas de vacunación, se identificaron dos revisiones sistemáticas y metanálisis. Jefferson y sus colegas realizaron una revisión sistemática y un metanálisis para medir la efectividad y la eficacia de la vacuna contra la influenza en niños sanos. Usaron el NNV para comparar la prevención de la influenza confirmada por laboratorio con vacunas vivas atenuadas con la de vacunas inactivadas e informaron un NNV de 7 para vacunas vivas atenuadas y un NNV de 28 para vacunas inactivadas. 

Simoes et al realizaron una revisión sistemática y un metanálisis de ensayos clínicos de vacunas experimentales contra el VSR (Virus Sincial Respiratorio) para personas de 12 meses o más pero las conclusiones se vieron limitadas por la heterogeneidad entre los estudios. 

Otros estudios utilizaron estos números para una evaluación económica, y asi valorar la rentabilidad. Pero no todos los médicos saben interpretar evaluaciones económicas. Aunque se puede decir, groseramente, que entre 1 y 3 PBI per cápita por año de vida ganado sería adecuado. Esto en Argentina sería entonces entre 8 y 24 mil dólares por año de vida ajustado por calidad de vida (QUALY).

Tres estudios identificados en la literatura midieron la rentabilidad de los programas de vacunación contra la tuberculosis. Trunz y sus colegas realizaron una revisión sistemática para evaluar la rentabilidad de los programas de inmunización infantil para prevenir la meningitis tuberculosa y la tuberculosis grave en todo el mundo. Estimaron que alrededor de 150,000 niños deberían ser vacunados para prevenir un caso de tuberculosis. Los autores comentaron que los programas de inmunización contra la tuberculosis son rentables para prevenir y controlar la tuberculosis infantil, especialmente en países con alta incidencia. En otro estudio en los Países Bajos, se estimó que se necesitaría vacunar alrededor de 9,000 para prevenir una infección tuberculosa grave. Presentaron sus resultados en términos de costo/DALY* a gastar en vacunación; El NNV para el grupo objetivo correspondió a 4,500 €/DALY, que, para los autores se encuentra por debajo del umbral considerado "razonable" , por lo que para los Países Bajos es rentable. 

Por otro lado, Rahman et al. llevó a cabo un análisis de rentabilidad del programa japonés de vacunación con BCG. Este estudio estimó que se necesitarían entre 2,125 y 10,399 inmunizaciones a un costo de US $35,950–$175,862 para prevenir un caso de tuberculosis. Llegaron a la conclusión de que el programa de vacunación universal con BCG no es un enfoque rentable, ya que el costo de la inmunización fue mayor que el costo requerido para tratar a un paciente con infección tuberculosa.

Dos estudios han evaluado la rentabilidad utilizando NNV de una estrategia de inmunización "capullo" mediante la cual los padres y otros contactos cercanos de un bebé son vacunados contra el tétanos, la difteria y la tos ferina acelular, para proteger a los recién nacidos de la infección por tos ferina. Meregaglia et al. estimó que era necesario vacunar al menos a 5,000 padres, con un costo total de más de 100,000 €, para evitar una hospitalización relacionada con la tos ferina. Llegaron a la conclusión de que la estrategia del capullo de los padres no es un enfoque rentable para prevenir la tos ferina en este grupo de edad. Asimismo, Skowronski y sus colegas informaron que el NNV para la estrategia de inmunización capullo contra la tos ferina fue de alrededor de un millón para prevenir la muerte de un bebé y aproximadamente 10,000 para la hospitalización. Al igual que Meregaglia y sus colegas, describieron el programa de inmunización capullo como una estrategia no rentable. Es una lógica economicista, pero interesante de ver las cosas. Digamos que no siempre podemos medir las cosas por la alternativa más eficiente (vacuna vs. tratamiento de una enfermedad), pero lo que seguramente quieren resaltar los investigadores es el bajo rendimiento como medida de prevención. 

Kelly y sus colegas realizaron un análisis de costo-efectividad para comparar los beneficios potenciales de los programas de vacunación contra la influenza y el neumococo en la población de edad avanzada. Aunque el costo de prevenir un caso de infección por influenza por año es menor que el costo de prevenir un caso de enfermedad neumocócica invasiva ($598 frente a $11 494), el costo de la prevención de una hospitalización por influenza y enfermedad neumocócica es similar en ambos programas ($10,787 y $11,494 respectivamente). El costo de la vacuna para prevenir una muerte por año es menor para el programa de vacunas contra el neumococo ($49,972 vs. $74,801). Dedujeron que dado que los costos de la vacuna asociados con la hospitalización o la muerte debido a la enfermedad neumocócica invasiva eran similares o más baratos que para la influenza, es probable que un programa de vacunas contra el neumococo también sea rentable en este grupo de edad.

Otros tres estudios demostraron la rentabilidad de las vacunas contra la gripe, el HPV y el Herpes Zoster. Brydak y sus colegas encontraron que 57 personas de la población anciana tendrían que vacunarse para prevenir un solo caso de influenza. Interpretaron sus hallazgos afirmando que la financiación de los programas de vacunación contra la gripe de rutina sería un enfoque muy rentable en esta población. Hillemanns y colegas informaron que un total de 120 niñas tendrían que vacunarse para prevenir un solo caso de cáncer de cuello uterino en Alemania y consideraron que el programa de vacunación contra el HPV era una estrategia rentable en comparación con la detección de cuello uterino solo. Finalmente, una evaluación de la rentabilidad de la vacuna Herpes Zoster y la neuralgia post herpética en ancianos en Bélgica encontró que el NNV es 12 para prevenir un caso de Herpes Zoster; mientras que es 35 para NPH. En Bélgica, se consideró una estrategia rentable vacunar a los ancianos de 60 años o más.

De Serres et al. estimó que habría que vacunar entre 314,000 y 2,7 ​​millones de personas para prevenir un solo caso de rabia adquirida a través de la exposición a murciélagos. Además, habría que vacunar entre 293 y 2500 proveedores de atención médica para prevenir un caso humano de rabia en el mismo entorno.

El estudio de Hashin también señala la utilidad del NNV en estudios de simulaciones. En lo personal no me gustan estos tipos de diseños por no basarse en la realidad, sino en modelos de estudios matemáticos que no siempre son corroborados, ni siquiera en estudios observacionales. Pero como la idea es mostrar el uso del NNV también incluyo algunos ejemplos:

Dos estudios han utilizado simulaciones de modelos para calcular el NNV para estimar el impacto de los programas de vacunación. Usando un modelo matemático Brisson et al. pudieron calcular el NNV requerido para prevenir los resultados y la muerte asociados con el HPV. Sus hallazgos sugieren que entre las niñas de 12 años, ocho deben vacunarse para prevenir un solo caso de verrugas genitales. Del mismo modo, se tendría que vacunar a 324 niñas para prevenir un solo caso de cáncer de cuello uterino. Es importante mencionar que estos números se calcularon asumiendo que la vacuna contra el HPV brinda protección de por vida con una efectividad de la vacuna del 95 %. En otro estudio, Van Rie y Hethcote aplicaron programas informáticos para calcular el NNV para estimar y comparar la eficacia de cinco estrategias de inmunización diferentes. Descubrieron que el NNV para prevenir un caso de tos ferina era más bajo para la estrategia de adolescentes, mientras que la estrategia capullo tenía el NNV más bajo para prevenir un solo caso en bebés pequeños.

El NNV a menudo se equipara con la métrica del número necesario a tratar (NNT), comúnmente utilizada para evaluar la efectividad de una intervención de atención médica. En términos generales, la NNV se ha utilizado en la literatura para describir tres dominios principales: impacto potencial de un programa de vacunación determinado, análisis económicos y de rentabilidad, y estudios de modelado para comparar diferentes estrategias de vacunación.

Los investigadores que calcularon el NNV para demostrar los beneficios potenciales de determinados programas de vacunación basaron sus cálculos en la diferencia de riesgo u otras fórmulas similares. Los autores intentaron calcular el NNV a través de diferentes puntos finales de salud, comparar diferentes tipos de vacunas, estimar el impacto de la vacunación en poblaciones inmunocomprometidas, evaluar el efecto de vacunaciones repetidas y describir las expectativas del paciente y del médico acerca de la NNV. Como era de esperar, la mayoría de las conclusiones extraídas de este grupo de estudios informaron que los programas de vacunación que requieren un NNV más bajo son más beneficiosos en comparación con los programas que requieren un NNV más alto.

Las estimaciones de NNV variaron ampliamente entre las publicaciones, probablemente relacionadas con el hecho de que son complejas de calcular y dependen de varios factores, incluido el entorno, la población, la prevalencia de la enfermedad y el sistema de atención médica en cuestión. En el caso de Covid-19 se debe incluir la variante y el tiempo desde la vacunación, dado que la efectividad varía principalmente con estos factores. Por lo que a la vista de lo sucedido en los últimos 15 meses debiéramos tener no menos de 5 NNV calculados para cada uno de los efectos a medir. También influyen edad, comorbilidades y estado inmunológico entre otras cosas. Como resultado, las estimaciones de NNV son más relevantes para el grupo de estudio específico para el que se calculan, con una capacidad limitada para una aplicación más amplia. Si bien esto puede ser útil en algunas circunstancias, como el cálculo de la rentabilidad de dos vacunas candidatas para una población específica, esto pone en duda si la NNV es una medida adecuada para su uso tanto en salud pública como en la determinación de beneficios individuales. Pocos reconocen plenamente las limitaciones de NNV, lo que refuerza la necesidad de precaución y más acuerdo sobre cuándo y cómo es apropiado usar este parámetro.

Se cree que NNV es una medida intuitiva de la efectividad de la vacunación comparable a NNT. Sin embargo, esta comparación no ha sido evaluada y puede no ser válida. Cuando se usa el NNT para evaluar medicamentos, los costos y beneficios directos para el individuo son mucho más claros, pueden aplicarse a un período de tiempo más corto y ocurren en estrecha relación temporal con la exposición.  

Este no es el caso de NNV, ya que las vacunas son preventivas, los efectos pueden ser indirectos y, a menudo, se desconoce el alcance y el momento exacto o el alcance de la exposición. Kelly et al. argumentan que NNV se considera anualmente porque las enfermedades prevenibles por vacunación tienden a tener un período de incubación corto, un curso corto y pueden reaparecer. Sin embargo, se espera que la mayoría de los programas de vacunación continúen previniendo casos durante varios años, lo que revela otra limitación de la NNV. Además, una vez que las enfermedades se acercan a la eliminación, el NNV se vuelve muy grande e incluso engañoso, ya que la inmunización no puede detenerse en ese punto.

Tuite y Fisman señalaron estas limitaciones en 2013, en un estudio que intentó utilizar el NNV en modelos matemáticos para calcular los efectos indirectos de las vacunas, como la reducción de casos secundarios debido a una menor cantidad de casos transmisibles y los beneficios de la inmunidad colectiva. El estudio criticó el uso de cálculos estándar de NNV y encontró que tienden a producir números sobreestimados en comparación con los cálculos dinámicos de NNV que incorporan los efectos indirectos de los programas de inmunización. El estudio concluyó que los cálculos estándar de NNV subestiman los beneficios potenciales de los programas de vacunación y, por lo tanto, deben usarse e interpretarse con precaución . Los modelos matemáticos dinámicos son herramientas esenciales establecidas para evaluar la necesidad y el impacto potencial de las vacunas, incluidos sus efectos indirectos. Sin embargo, dichos modelos requieren mucho trabajo y son difíciles de entender para los no modeladores. El NNV es una medida más simple, pero es necesario enfatizar sus limitaciones si se usa en forma aislada de enfoques más sofisticados.

En conclusión, NNV se ha utilizado en una amplia variedad de formas en la literatura: para justificar los programas de inmunización, para evaluar los beneficios económicos o de salud pública o para comparar estrategias de inmunización. Su sencillez la convierte en una medida atractiva. Y no hay duda que los estudios citados constituyen más la excepción que la norma habitual para reportar la eficacia en las publicaciones científicas.

Sin embargo, los métodos para calcular el NNV carecen de uniformidad y no hay umbrales definidos para lo que es un NNV favorable, lo que dificulta la interpretación y generalización de esta medida. Además, el NNV no tiene en cuenta los efectos indirectos de la vacunación, por lo que debe utilizarse con precaución. Se requiere más discusión para llegar a un consenso sobre el uso apropiado de NNV en la evaluación de los programas de vacunación. 

Esto puede verse más acentuado en el caso de las actuales vacunas de Covid-19 donde ya las formas clásicas de reportar la efectividad varian ampliamente según la fecha de aplicación de la última dosis, la variante en cuestión, el tipo de pacientes en las que se aplica (ej. inmunocomprometidos vs inmunocompetentes), según la edad o el tipo de efecto que se quiere medir, sea infecciones, hospitalizaciones o mortalidad.

De esta manera podemos calcular que la incidencia de muertes en Suiza fue durante el mes de enero de 2022, en Suiza de 13 por 100,000 en no vacunados vs. 0.5 en vacunados. Esto es un riesgo de morir 26 veces más en no vacunados, o una efectividad de un 93%, o un NNV de alrededor de 8,000 vacunados para prevenir una muerte**. En tiempos de la variante ómicron y sin calcular el tiempo desde su última dosis. Es decir que números absolutos no faltan, como los críticos de todas las vacunaciones pretenden hacernos creer. No faltan ni en los estudios de seguimientos de efectividad ni faltaron en los ensayos clínicos iniciales. Sabemos que el NNV, como sucedáneo del NNT, es menos claro en tratamientos preventivos, pero se siguen sucediendo los mismos interrogantes que Hashim et al plantearon para los reportes que estudiaron

Aún así no parece que haga daño reportar los efectos, en los resultados, también en términos absolutos, cuando la enfermedad tiene un rango constante de incidencia, es decir que está en su fase endémica. 

También es cierto que, aun si seguimos transmitiendo los valores de efectividad en términos de riesgos relativos, muchas veces nos encontraremos igualmente con decisiones difíciles. Por ejemplo, imaginemos que la efectividad de una vacuna contra una enfermedad cae por debajo del 70% o menos para disminuir la mortalidad. ¿Cuál sería el umbral de efectividad que aceptaríamos? Si se tratara de la única vacuna disponible seguramente seríamos más complacientes. Por lo que siempre, con o sin crisis pandémicas, debemos aspirar a las vacunas más efectivas y seguras que se pueda. En el caso del Covid-19 implica también que resistan nuevas variantes y que la pérdida de efectividad en el tiempo sea menor a la que se observa. 

No solo importa como lo medimos, sino también como lo interpretan los individuos y la sociedad. Dar un valor numérico a los resultados es una estrategia de la ciencia para unificar lenguajes, pero la percepción personal puede variar en especial si un número deja de ser una "estadística" para transformarse en una "experiencia vital", por ejemplo en los efectos adversos. Por otro lado siempre es más difícil valorar, a nivel personal, lo que no sucedió: las muertes que no ocurrieron, las internaciones que no sucedieron, etc. Al fin y al cabo la medicina basada en la evidencia también tiene como uno de sus pilares las preferencias personales y sociales.

Referencias

1. Hashim A, Dang V, Bolotin S, Crowcroft NS. How and why researchers use the number needed to vaccinate to inform decision making--a systematic review. Vaccine. 2015 Feb 4;33(6):753-8. doi: 10.1016/j.vaccine.2014.12.033. Epub 2014 Dec 25. PMID: 25543164

2. Ministerio de Salud Argentina. CONETEC. Umbral de costo-efectividad para las tecnologías sanitarias. Revisión. Enero 2021.  

3. Tuite, A. R., & Fisman, D. N. (2013). Number-needed-to-vaccinate calculations: Fallacies associated with exclusion of transmission. Vaccine, 31(6), 973-978. https://bityl.co/BJ6T [Texto completo]

4. The changing impact of vaccines in the COVID-19 pandemic. Jamie A Cohen, Robyn Margaret Stuart, Jasmina Panovska-Griffiths, Edinah Mudimu, Romesh G Abeysuriya, Cliff C Kerr, Michael Famulare, Daniel J Klein.

Ioannidis, John P.A., Estimating Conditional Vaccine Effectiveness (Marzo 3, 2022). Disponible en SSRN: https://ssrn.com/abstract=4033819http://dx.doi.org/10.2139/ssrn.4033819

*DALY: Disability Adjusted Life Years, o años de vida ajustados por discapacidad. 

**NNV = 1/(incidencia entre no vacunados - incidencia entre vacunados)

Imágenes: Alireza Karimi Moghaddan. Caricaturista iraní viviendo en Portugal.

6 de diciembre de 2021

Ivermectina y metanalisis II

En septiembre de 2021 Deng y colaboradores, publicaron un metanálisis sobre eficacia de la Ivermectina, su estudio concluía que el tratamiento con este fármaco no habia encontrado diferencia con los cuidados habituales. Tres meses antes, en Junio, Bryant et al habian publicado otro metanálisis en el que demostraba una disminución de la mortalidad en pacientes tratados con Ivermectina. Los defensores de una y otra postura, toman cualquiera de ellos para defender sus posiciones, pero cual es el que acertó? En caso que alguno lo hubiera hecho. Pero este artículo no es sobre Ivermectina, sino sobre metanálisis o si se quiere sobre ambos.
 
Previo a estos metanálisis, los estudios primarios, a favor y en contra del tratamiento, también eran contradictorios, en general de muy pocos pacientes y de baja a moderada calidad metodológica. Por lo que se esperaba que los metanálisis aclararan la situación.

Pero repasemos que es un metanálisis: este tipo de estudio son una sinopsis estadísticas de varios estudios primarios. Por lo que, tan importante como el resultado, es conocer de que estudios primarios se nutrió el mismo, y con que metodología se incluyeron los mismos. Es decir que un metanálisis completo debe ser acompañado de una revisión sistemática de la literatura. Para ello se utiliza una metodología específica, que tiene hoy un estándar llamado "PRISMA", que es el acrónimo de Preferred Reporting Items for Systematic Reviews and Meta-Analyses. Un estándar que difunde Colaboración Cochrane. Y luego de seleccionados los estudios, se los puede valorar con otra metodología que mide la veracidad de los mismos y que se llama GRADE.  

En el caso del metanálisis de Deng, utiliza las herramientas PRISMA y GRADE al valorar los estudios primarios. Señalando que la evidencia que aportaron los mismos era calificada entre baja a moderada. Y aclarando que no incluyó un estudio de Algazzar et al, por haber sido retractado. En otro metanálisis sobre el mismo tema, el metánalisis de Bryant, el estudio de Algazzar era responsable de al menos el 15% de los pacientes incluidos. Aclaro aquí que Bryant también habia seleccionado los estudios con el estándar PRIMA, aunque nunca pudiera haber rechazado el estudio de Algazzar porque ese estudio fue retractado en Julio, un mes después que Bryant publicara su metanálisis.

Uno supone que antes de un metanálisis se hizo una revisión sistemática, pero en ciencia no alcanza con suponerlo. Los autores deben ser explícitos al comunicar. Ya que el objetivo no es solo que sea leído, sino también que pueda ser reproducido. Al fin de cuentas el trabajo es casi igual. 
 
La cantidad de estudios incluidos en un metanálisis dice poco. Todos los autores quieren incluir más estudios, pero saben que si fueran laxos con los criterios de inclusión o exclusión de los mismos, terminarían agregando estudios de muy mala calidad. Ejemplo de laxitud es el metanálisis de Karale et al en la India (3), que reunió 38 estudios con 15.000 pacientes, publicado en octubre y que incluyó hasta estudios retractados meses antes, aun asi no pudo demostrar una disminución significativa de la mortalidad (lo dice el mismo autor, no es una interpretación). Por otro lado, al aumentar el número de estudios, si no se hizo una apropiada selección previa, suele aumentar la heterogeneidad de los resultados, y ya veremos que eso importa. 
 
Un estudio primario que aporta gran cantidad de pacientes a los resultados también puede modificar los resultados, ya sea a favor o en contra de un efecto. Veamos el siguiente gráfico: 

El gráfico es conocido como "Forest Plot", y en este caso Deng mostraba los datos obtenidos cuando se evaluó el clearence viral con Ivermectina vs cuidado estándar. 

Abajo a la izquierda se ve que 114 pacientes tomaron Ivermectina y 46 tuvieron cuidado estándar. Para valorar este efecto se tomaron solo 3 de los 14 estudios que tiene el metanálisis. Destacamos que solo se tomó información de 260 personas de las 2196 que tenia el metanálisis, lo que muestra que el tamaño global de los mismos no suele ser tan importante, ya que a veces se toma solo una fracción de los pacientes para la valoración de cada resultado. 

A la derecha del gráfico se ve el peso de cada uno de los tres estudios en el resultado. Por ejemplo, el estudio de Babalola et al, representaba a 62 personas, o lo que es lo mismo tenía un "peso" del 42%. El tamaño suele ser representado en estos gráficos con las cajas que se ven en el gráfico, donde el tamaño de la caja da una idea de la magnitud de los pacientes que aporta. 

Cuando los autores nos dicen que se hizo un análisis de sensibilidad, nos dice que cada uno de los estudios fue agregado y eliminado del análisis para ver si esto variaba el resultado final. En algunos casos esto modifica el resultado final (el rombo en este gráfico), y los autores lo reportan. 

No fue este el caso, ya que eliminar el estudio de Babalola no hubiera modificado el estudio, pero probablemente eliminar el estudio de Pott-Junior si (Nota: este estudio de Pott-Junior también fue retractado meses después de escribir esto, en mayo de 2022). No lo sabemos, ya que para ello necesitariamos rehacerlo con los datos. 


Si no recuerda como interpretar los intervalos de confianza, puede leer lo que escribi sobre ello, o bien ver si le ayuda este gráfico 👉

Si debe recordar que la longitud de la barra implica el rango entre los que las medidas de efecto se mueven, y que cuanto mayor es el mismo es porqué es menor la cantidad de pacientes. Eso se puede comprobar en el "Forest Plot" que mostré. 

Los resultados finales, para cada efecto que se estudia, suelen expresarse como el rombo del gráfico, donde los extremos del mismo marca los intervalos de confianza, el tamaño suele expresar el tamaño poblacional y la ubicación en relación al efecto nulo nos indica claramente cual fue la respuesta obtenida.

Por ello, y en el caso de Ivermectina, no podemos predecir que sucedería si se eliminara el estudio de Elgazzar et al (el estudio retractado en julio y que favorecía el tratamiento) , pero tenía un peso en el estudio de distintos efectos que variaba entre un 5 y un 20%. 

El peso de cada estudio puede ser corregido, aunque no completamente, por un modelo de variables aleatorias, de los cuales el más utilizado es uno que se llama método de DerSimonian-Laird (no necesita saber hacerlo, solo aprenderse el nombre para saber si los autores lo aplicaron). Por lo que la duda es más que razonable y no soy el único que lo piensa. 

Los editores de una revista que habia publicado un metanálisis de Zein et al sobre el tema, parece que sintieron la necesidad de recordarlo, aunque el estudio no mostraba diferencias a favor, en una edición de septiembre en la revista Diabetes Metabolic Syndrome. Después de escribir esto, leí que ya en Septiembre de 2021, en la revista Nature, un tal Lawrence habia publicado lo mismo, pero con respecto a otro metanálisis que era de Hill.  Siempre hay alguien más listo que uno.

Veamos otro gráfico de Forrest Plot, del mismo estudio. En este caso se mostraba la diferencia del promedio de días de hospitalización con Ivermectina vs los cuidados habituales.

Lo que se puede ver es que el autor, al analizar este efecto, separó a los pacientes severos y no severos. Es decir que hizo un análisis de subgrupos, para terminar con un análisis en conjunto. En el caso de los pacientes severos solo encontró un solo estudio. Aqui también vemos que para este efecto solo se eligieron 4 estudios, con 362 pacientes que tomaron Ivermectina vs 337 con cuidados habituales. En este gráfico se ve que tampoco se encontró diferencia (el rombo cae sobre la línea de efecto nulo), y los intervalos de confianza oscilaron entre -4,17 a 4,33. 
 
El I² (I cuadrado) señala la heterogenidad, en el gráfico A era del 59% y en este gráfico B es del 90%. 
 
Y finalmente este gráfico donde muestra la mortalidad entre los que recibieron Ivermectina vs los controles.


En este caso se incluyeron todos los estudios, y también se evaluó por subgrupos. Se puede observar que en al menos 5 estudios no se reportaron muertes ni en el grupo de tratamiento ni en el grupo control, pero se deben reportar igual ya que los estudios primarios se utilizaron igualmente para el cálculo de este resultado en el metanálisis. 

La heterogenidad se suele mencionar como medida de veracidad o calidad de los metanálisis. 

La heterogeneidad se mide por el I² y se dice que puede ser baja, moderada o alta, según esté por debajo del 25%, alrededor del 50%, o por encima del 75%. 

La heterogeneidad puede ser puede ser clínica (por ejemplo, se agruparon pacientes leves con graves, o incluso se han visto metanálisis con con resultados de estudios primarios medidos en animales junto con datos de humanos), metodológica (estudios de caso control mezclados con ensayos controlados aleatorizados que se debieran reportar por separado), o simplemente estadística.

Cuando un estudio tiene más de un 75% de heterogeneidad, como en el gráfico b, se dice que el estudio está comprometido, y solo se debiera  reportarse cualitativamente. Nadie hace eso, pero debieran. Pero al menos sirve para que no tomemos en cuenta el resultado. 

Y finalmente, no todos los resultados estudiados son iguales. Hay algunos que están vinculados a la enfermedad, o a su fisiopatología. En los estudios de Ivermectina serían los resultados asociados con el clearence viral o la carga viral. Estos resultados son conocidos como DOE (Disease Oriented Evidence), que pueden ser útiles, pero más útiles son aquellos que se vinculen con la progresión a la enfermedad, como la hospitalización, o directamente con la mortalidad. Estos últimos son conocidos como estudios POEMs (Problem Oriented Evidence that Matters). De más está decir que preferimos los estudios POEMs. 

Aqui una imágen que resume como leer un gráfico de Forest Plot, pero que no está vinculado con los metanálisis de ivermectina, por lo que está a modo de ejemplo:

Aunque seguramente usted quiere saber cual es la conclusión, y por eso llegó hasta aquí, aunque la conclusión para mi es obvia seguramente no lo he dejado traslucir bien en este escrito, pero como el tema es árido y a veces dificil decidí comentarlo en otro artículo.

Referencias

1. Deng J, Zhou F, Ali S, Heybati K, Hou W, Huang E, Wong CY. Efficacy and safety of ivermectin for the treatment of COVID-19: A systematic review and meta-analysis. QJM. 2021 Sep 27:hcab247. doi: 10.1093/qjmed/hcab247. Epub ahead of print. PMID: 34570241; PMCID: PMC8500108.

2. Andrew Bryant, MSc,  Theresa A. Lawrie, y otros . Clinica Ivermectin for Prevention and Treatment of COVID-19 Infection: A Systematic Review, Meta-analysis, and Trial Sequential Analysis to Inform Clinical Guidelines  American Journal of Therapeutics 28, e434–e460 (2021)  https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8248252/pdf/ajt-28-e434.pdf [Pubmed]

3. Karale et al. Clinical outomes associated with Ivermectin use in covid-19: an updated systematic review and meta-analysis. Chest. 2021 Oct;160(4):A584–5. doi: 10.1016/j.chest.2021.07.562. Epub 2021 Oct 11. PMCID: PMC8503130. [Texto completo]

4. Zein AFMZ, Sulistiyana CS, Raffaelo WM, Pranata R. Ivermectin and mortality in patients with COVID-19: A systematic review, meta-analysis, and meta-regression of randomized controlled trials. Diabetes Metab Syndr. 2021 Jul-Aug;15 (4):102186. doi: 10.1016/j.dsx.2021.102186. Epub 2021 Jun 27. PMID: 34237554; PMCID: PMC8236126.[Pubmed]

5.  Lawrence, J.M., Meyerowitz-Katz, G., Heathers, J.A.J. et al. The lesson of ivermectin: meta-analyses based on summary data alone are inherently unreliable. Nat Med 27, 1853–1854 (2021). https://doi.org/10.1038/s41591-021-01535-y

6. Andrew Hill, Anna Garratt, Jacob Levi, Jonathan Falconer, Leah Ellis, Kaitlyn McCann, Victoria Pilkington, Ambar Qavi, Junzheng Wang, Hannah Wentzel, Meta-analysis of Randomized Trials of Ivermectin to Treat SARS-CoV-2 Infection, Open Forum Infectious Diseases, Volume 8, Issue 11, November 2021, ofab358, https://doi.org/10.1093/ofid/ofab358

7. Murad MH, Montori VM, Ioannidis JPA, et al. How to Read a Systematic Review and Meta-analysis and Apply the Results to Patient Care: Users’ Guides to the Medical Literature. JAMA. 2014;312(2):171–179. doi:10.1001/jama.2014.5559

Artículos relacionados

Como interpretar un metanálisis 

18 de septiembre de 2021

Estudios orientados a lo que la gente le importa

Una forma interesante de seleccionar la literatura médica existente es clasificarla en DOE y POEM o POE.

DOE corresponde a las siglas de Disease Oriented Evidence, o evidencia orientada a la enfermedad,  y una abrumadora cantidad de ensayos clínicos corresponden a este tipo de artículos. En ellos el resultado tiene que ver con la etiología o con procesos fisiopatológicos. A estos los llamamos procesos intermedios o más técnicamente "variables subrogadas". 

La propio FDA, desde 1992,  los utiliza en la aprobación rápida de algunos medicamentos y para tratar condiciones serias en casos que no haya un tratamiento eficaz instaurado. Y define a las variables subrogadas como medidas de laboratorio, imágenes radiológicas, signos físicos o cualquier otra medida que pueda predecir el beneficio clínico pero en si no mide al beneficio clínico esperado

La FDA sostiene también que al momento de la aprobación debe haber ensayos clínicos confirmatorios en curso. Esto podría hacer pensar que se trata de un mecanismo de excepción pero en 2018 el 73% de los medicamentos aprobados por la FDA utilizaban variables subrogadas. 

La mayoría de las agencias de medicamentos del mundo aprueban sistemáticamente medicamentos con estudios de este tipo. Es por ello que proliferan una enorme cantidad de antihipertensivos, antidiabéticos, estatinas y otros medicamentos para problemas crónicos de salud, que no representan un avance médico significativo en el mejor de los casos, y en otros los efectos adversos hacen que el riesgo-beneficio de algunos de esos medicamentos sea cuanto menos cuestionable. 

La utilización de las variables subrogadas puede acelerar los tiempos de un ensayo clínico hasta en 11 meses cuando se trata de terapia anticancerosa, aunque no siempre los resultados pueden ser ratificados luego con una mayor sobrevida

En definitiva la literatura está llena de estudios con este tipo de resultados pero en poco ayudan a las decisiones clinicas, por lo que los médicos buscamos otro tipo de estudios para ajustarnos a las expectativas de lo que el paciente necesita. 

Ningún paciente necesita que un medicamento simplemente baje la tensión arterial, eso lo hacen todos los antihipertensivos, o baje la glucemia (eso también lo hacen todos los medicamentos antidiabéticos), lo que se pretende saber es si estos resultados son relevantes clinicamente también.

Y por relevantes para los pacientes, entendemos que eso sucede cuando un medicamento disminuye la morbilidad, mortalidad, mortalidad o mejora la calidad de vida. Estos parámetros son los que asumimos como relevantes para nuestros pacientes, y por ende los llamamos estudios POEMs (Patient Oriented Evidence that Matters) o POE (Patient Oriented Evidence), problemas orientados a lo que la gente le preocupa, o simplemente, lo que a le importa a la gente.

Ya sabemos que todos los antihipertensivos disminuyen un parámetro fisiopatológico como la tensión arterial, pero crease o no, no todos los antihipertensivos disminuyen los efectos mediatos de la hipertensión como accidentes cerebrovasculares, problemas cardiacos y problemas renales, disminución de los dias de estancia en internación, etc., sólo algunos los hacen.

Esto seria la diferencia entre que un medicamento fuera eficaz y fuera efectivo. Siendo los estudios POEMS o POE los de mayor relevancia cuando queremos evaluar la efectividad.

Un medicamento puede ser altamente eficaz pero a la vez, y debido a sus efectos adversos, ser muy poco efectivo. Esto pasó con dos medicamentos como el rofecoxib, muy útil para disminuir el dolor, pero que aumentaba la mortalidad cardiovascular según un metanálisis en The Lancet.  Otro ejemplo clásico son los antiarritmicos, donde acorde a los estudios DOE son eficaces porque disminuyen la presencia de algunos tipos de arritmias, pero en un estudio publicado en el NEJM en 1991 llamado Cardiac Arrhythmia Suppression Trial (CAST) , al menos dos de ellos, la eincainida y la fleicainida mostraron aumentar la mortalidad. Motivo por el cual se discontinuó su uso en la práctica clínica. No son los únicos ejemplos, la literatura médica abunda en ellos, en donde las variables subrogadas de un estudio DOE, no pueden predecir adecuadamente los beneficios finales en los pacientes.

Los ejemplos que usamos son extremos, y afortunadamente excepcionales, pero no por eso dejan de ser motivo de preocupación. En la mayoría de los casos los beneficios clínicos son marginales, y afortunadamente en otros se comprueba posteriormente que son beneficiosos y relevantes, como en el caso del imatinib en la leucemia mieloide crónica. No debemos olvidar también que los valores y preferencias del paciente, o de la población también son relevantes en la medicina basada en la evidencia.

La única solución a esto es una actualización permanente, y afortunadamente algunas revistas publican ocasionalmente algún listado de este tipo de estudios POEMs, y nosotros mismos hemos comentado algunos de estos estudios. 



Un listado de estudios POEMs relevantes entre 1988 y 2017  fue publicado en Annals of Family Medicine. 

1998Metformin is best for obese patients with type 2 diabetes mellitusUK Prospective Diabetes Study Group
1999β-Blockers are effective in heart failureLechat P, et al
20003 Years between Papanicolaou tests are adequate for many womenSawaya GF, et al
2001Managing heart rate and rhythm are similar for atrial fibrillationHohnloser SH, et al
2002Hormone replacement overall is not beneficialWriting Group for the Women’s Health Initiative Investigators
2003Self-breast examination does not reduce mortalityThomas DB, et al
2004Breast cancer screening results in overdiagnosisZahl P, et al
2005Vaccine prevents human papillomavirus infectionHarper DM, et al
2006Delayed prescription for acute otitis media reduces unnecessary antibioticsSpiro DM, et al
2007Home blood glucose monitoring is ineffective for type 2 diabetes mellitusFarmer A, et al
2008Intensive control of blood glucose in type 2 diabetes mellitus may be harmfulGerstein HC, et al
2009Prostate-specific antigen screening does not reduce mortality from prostate cancerAndriole GL, et al
2010Statin + fenofibrate is no better than statin alone in type 2 diabetes mellitusThe ACCORD Study Group
2011Rivaroxaban is similar to warfarin for patients with nonvalvular atrial fibrillationPatel MR, et al
2012Conservative therapy with antibiotics is an option for early uncomplicated acute appendicitisVaradhan KK, et al
2013Fasting is not necessary before measuring lipid panelsSidhu D and Naugler C
2014Niacin does not improve clinical outcomes in patients with vascular diseaseThe HPS2-THRIVE Collaborative Group, Landray MJ, et al
2015Steroids are beneficial as adjunctive treatment for community-acquired pneumoniaSiemieniuk RAC, et al
2016Active surveillance for localized prostate cancer: no increased mortality, but higher rates of clinical progressionHamdy FC, et al
2017Semaglutide reduces cardiovascular events in high-risk patients with type 2 diabetes mellitusMarso SP, et al

En 2021 la discusión sobre la aprobación de medicamentos con estudios DOE, es decir variables subrogadas, se reavivó con un medicamento para la enfermedad de Alzheimer.  En Junio de 2021 la FDA aprobó un medicamento, el aducanumab, para la enfermedad de Alzheimer, tras varios años en que no se había aprobado ninguno, y que es publicitado como un medicamento que puede disminuir la progresión de la enfermedad. Haciendo caso omiso a otras discusiones secundarias, por ahora, como el precio, lo único que ha demostrado el medicamento hasta ahora es disminuir la producción de beta-amiloide cerebral (la variable subrogada), algo que se ha visto está asociado con la enfermedad de Alzheimer. Si este medicamento disminuye o no la progresión de la enfermedad, es algo que aún es temprano para dilucidar, aunque no observamos ningún estudio clinico en curso con este objetivo. Para marzo de 2022 el precio del medicamento había disminuido en un 50% y había sido rechazado por la Agencia Europea del Medicamento (EMA).

Esperamos que esta breve reseña sirva para orientar la lectura a la evidencia y priorizar los estudios que responden mejor a las expectativas de los pacientes (estudios POEMs).

Referencias

1. Lenzer J, Brownlee S. Should regulatory authorities approve drugs based on surrogate endpoints? doi:10.1136/bmj.n2059
 
2. Slawson DC, Shaughnessy AF, Ebell MH, Barry HC. Mastering medical information and the role of POEMs-Patient-Oriented Evidence that Matters. J Fam Pract. 1997,45(3):195-6 

3.  Ebell MH, Barry HC, Shaughnessy AF, Slawson DC, Kulkarni N, Speer L. Top 20 POEMs of the Past 20 Years: A Survey of Practice-Changing Research for Family Physicians. Ann Fam Med. 2018 Sep;16(5):436-439. doi: 10.1370/afm.2288. PMID: 30201640
 
4.  Fleming TR, DeMets DL. Surrogate end points in clinical trials: are we being misled? Ann Intern Med. 1996 Oct 1;125(7):605-13. doi: 10.7326/0003-4819-125-7-199610010-00011. PMID: 8815760.
 
5. Dawoud D, Naci H, Ciani O, Bujkiewicz S. Raising the bar for using surrogate endpoints in drug regulation and health technology assessment doi:10.1136/bmj.n2191
 
6. Rechazo al aducanumab por parte de la EMA en marzo de 2022. Neurología.
 
Entradas relacionadas
 
Como leer articulos cientificos en medicina