Primun non nocere. Oro parece, plata no es….

Hace dos semanas, mi afición por el tema y este inocente tuit me llevo a leer el artículo al que se refería, titulado: Effect of Gabapentin vs Pregabalin on Pain Intensity in Adults WIth Chronic Sciatica A Randomized Clinical Trial. ¡Craso error!, su lectura me sumergió en una serie de disquisiciones que aparte de llevarme demasiado tiempo, puede que no tengan mucho valor. En cualquier caso, voy a contarlas en esta entrada y para hacerlo de forma comprensible las voy a separar en tres apartados:

1. Conclusiones que importan para un clínico
2. Virtudes y problemas metodológicos del estudio
3. Repercusión en redes sociales de estudios con conclusiones inapropiadas y metodología mejorable.

1º) Lo primero es que hay que congratularse porque es un ensayo clínico cruzado (crossover) y head to head es decir  un ensayo que en lugar de enfrentar un medicamento con placebo se contrapone a otro fármaco de tal modo, que podemos tener una comparación directa de la eficacia de ambos medicamentos.Esta comparacion se hace de forma cruzada de tal forma, que los pacientes reciben de forma secuencial los dos tratamientos.
La alegría se acaba cuando vemos que la enfermedad es la lumbociática crónica en la  que ambos fármacos, no resultaron ser muy eficaces cuando se les comparo con placebo. Dos meta-análisis (aquí y aquí) que sintetizaban los ensayos clínicos realizados hasta la fecha, encontraron poca o ninguna evidencia de la eficacia del uso de estos antiepilépticos en el tratamiento sintomático del dolor lumbar agudo o crónico.Dados estos beneficios escasos o poco claros y el potencial de efectos adversos e incluso de dependencia, la cuestión seria si la Gabapentina y la Pregabalina tienen algún papel en el tratamiento de la lumbalgia crónica y no cuál es el mejor cuando se comparan.
Es precisamente en estos casos cuando los ensayos clínicos comparativos tendrían menos valor. De hecho, se podría aducir que, mientras el ensayo cruzado no incluya un tercer grupo con placebo, es difícil sostener que el efecto beneficioso de estos fármacos fuera superior al mero efecto placebo.
Por otro lado, la magnitud de los resultados en la variable principal (intensidad del dolor medida mediante una escala visual del 1 al 10, antes de comenzar  y después de finalizar el tratamiento) es bastante discreta. Incluso asumiendo que el estudio es válido y que los resultados son verdaderos, la diferencia de medias de reducción del dolor apenas sobrepasa, en el caso de la Gabapentina las veinte centésimas ,de lo que se considera la mínima diferencia clínicamente importante (1,5). En la Pregabalina la diferencia de medias no llega ni siquiera a esta diferencia clínicamente importante (ver tabla). [Reducción en la puntuación de la escala de intensidad de dolor analógica visual de (media y [SD]), GBP: 1.72 [1.17] vs PGB: 0.94 [1.09]; P = .035)]

	Gabapentina	Pregabalina
media VAS antes	7,54	7,33
media VAS después	5,82	6,38
Diferencia	1,72	0,95

2º) En cuanto al análisis de validez basándonos en los citerios de este artículo, debemos tener en cuenta:

• Tamaño de la muestra: es la crítica más generalizada a este tipo de artículos, y a este en concreto, sin embargo, hay que recordar que el tamaño de la muestra nunca es grande o pequeño, sino el necesario para encontrar el efecto deseado con una potencia estadística suficiente. El diseño cruzado requiere un tamaño de muestra menor que en un diseño paralelo y los autores pueden llegar a una conclusión estadísticamente significativa utilizando un número no muy elevado de pacientes. No obstante hay que ener e cuenta que: a-en este estudio, la muestra es la mitad de lo previsto ya que corresponde un análisis intermedio, y b-considerar que si el tamaño es pequeño, aunque sirva para detectar la diferencia buscada, aumenta el riesgo de que el reparto aleatorio no sea completamente al azar, que los dos grupos difieran sistemáticamente y haya un sesgo de selección.
• Aleatorización y seguimiento: La aleatorización y asignación se ocultaron adecuadamente , así como el tratamiento de las perdidas
• Análisis: En este ensayo no se realizan comparaciones de los resultados del tratamiento en los individuos del mismo grupo (correlación intraindividuos), por lo el ensayo tiene un valor limitado y no aprovecha la ventaja del emparejamiento de este tipo de estudios. Solo se ofrece un resultado global (tabla) junto a los resultados de la diferencia de medias entre el valor basal y final en cada periodo y en cada secuencia (taba de estudio).
• No se ha efectuado ningún análisis para evaluar el efecto arrastre (carryover)* o el efecto periodo**

3º) Como se comentó al principio el interés por este estudio surgió a raíz de un tuit, tuit que siguiendo las conclusiones de los autores afirmaba que Gabapentina y Pregabalina eran eficaces en la lumbociática crónica, con ventaja para la primera.
Esta afirmación, más que discutible, según hemos visto en la lectura crítica, nos lleva a pensar en cómo se difunden los conocimientos clínicos en el tiempo de las redes sociales. Para saberlo no hay nada como echar un vistazo al “Altmetric”*** del artículo. En resumen, podemos ver:

• Los cinco sitios de noticias que se hace eco del ensayo recogen las conclusiones de los autores sobre la eficacia y superioridad de la Gabapentina.
• De los 41 tuits recogidos por Altmetrics, 22 resaltan la eficacia de Gabapentina, 2 critican el ensayo o lo ponen en duda, 5 son neutros dando solo la información, 11 corresponden al título del artículo, tal como lo ofrece la revista en el botón de tuitear y uno da información no relacionada con el artículo.
• Una página de Facebook remite la articulo con la siguiente leyenda: ”La Gabapentina (Neurontin) es mejor que la Pregabalina (Lyrica) en personas con dolor neuropatico. Un estudio pequeño, sin embargo, respalda lo que mis pacientes han estado diciendo durante años”
• El gruo de personas que potagonizaban estos comentarios y tuits en redes sociales estaba conformado por: Publico en general 31 (74%) Médicos y otros profesionales asistenciales 5 (12%), Científicos 5 (12%) y Comunicadores científicos (periodistas, blogers, editores)  1 (2%)

Conclusiones: La validez metodológica y los resultados ofrecidos no permiten concluir que ninguno de los dos fármacos es eficaz en el tratamiento de la lumbociática crónica. En este escenario determinar cuál de los dos es mejor carece de importancia.
Las redes sociales podrían transmitir ideas preestablecidas o las conclusiones de los autores sin un mínimo análisis, se difunden así coclusiones falsamente positivas sobre la eficacia de los fármacos.

Mi agradecimiento a Fernando José García López por revisar este post y ofrecer desinteresadamente su conocimiento y valiosos comentarios. La responsabilidad de los posible errores o malas intepretaciones de lo escrito es solo mía.

---

* El efecto carryover o de arrastre se define como el efecto del tratamiento del período de tiempo anterior en la respuesta en el período de tiempo actual. En otras palabras, si un paciente recibe el tratamiento A durante el primer período y el tratamiento B durante el segundo período, las mediciones tomadas durante el segundo período podrían ser el resultado del efecto directo del tratamiento B administrado durante el segundo período, y / o arrastre o efecto residual del tratamiento A administrado durante el primer período. Estos efectos de arrastre producen un sesgo estadístico. Las diferentes medidas que se adopten para evaluar este efecto deben ser contempladas y descrita en el ensayo. Un periodo de lavado o wahout suficiente, es una de ellas
** El efecto periodo se refiere al posible cambio de las características del paciente o de la enfermedad durante los periodos del estudio, modificando por tanto la respuesta a las diferentes intervenciones.
*** Altmetrics es un conjunto de métricas usadas para medir los diferentes impactos de la investigación más allá de las métricas tradicionales de la producción científica. Se trata de una serie de indicadores derivados en muchos casos de herramientas de la web social, que se generan a partir de las interacciones de los usuarios en los espacios web con los materiales generados por los investigadores.

Utilización e interpretación de los Valores de TROPONINA T Ultrasensible (hs-TnT) en el Servicio de Urgencias del Complejo Hospitalario Universitario De Badajoz.

Seguimos con las sesiones clínicas. Esta vez le ha tocado a nuestra compañera Maribel G. Retamar el ponernos al día en el uso de las Troponinas y su aplicación en el diagnóstico y pronóstico del Síndrome Coronario Agudo. Os va a ser muy útil.
Aquí os dejamos el enlace
http://www.areasaludbadajoz.com/images/stories/presentacion_troponina_FINAL_.pdf

Serv. MI. H. León. Sesión residentes: Vacunaciones sistemáticas en adultos.

El día 15 de octubre de 2018 el Dr. Javier Maíllo Seco (R1 Cardiología) habló sobre la vacunación en adultos. Hizo un repaso de cada una de las vacunas existentes para los adultos y recomendadas por la Sociedad Española de Medicina Preventiva, Salud Pública e Higiene (2014), comenzando por los criterios de inclusión y finaliza con la vacunación en la enfermedad cardiovascular.

Su presentación se puede visualizar en el siguiente enlace.

BMJ. Consumo de cannabis en la adolescencia y riesgo de psicosis en adultos: estudio prospectivo longitudinal.

Este fue el primer estudio prospectivo que reveló que el consumo de #cannabis en la adolescencia (15-18 años) incrementa significativa/ el riesgo de esquizofrenia a los 26 años: 4 veces más que los controles , los que lo habían consumido a los 15 años.

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC135493/

Sardomitas. Fiebre de Origen Desconocido.

Pedro, R4 de MFyC, en esta presentación nos aclara la Fiebre de Origen Desconocido, su definición, sus tipos, su estudio,….FIEBRE DE ORIGEN DESCONOCIDO

Nada es gratis. Haciendo estadística sin saberlo.

Nota del Editor: Pol Campos nos trae una cuento metafórico sobre cómo hacer cálculos de poder estadístico antes de realizar experimentos, que complementa muy bien esta entrada de Marcos Vera y ésta otra de José Luis Ferreira y Eva Ferreira. Espero que les resulte útil a quienes se inician en el análisis empírico.

De Pol Campos

Después de largos años en el laboratorio, has creado una píldora para hacer que la gente sea mejor persona. ¿Cómo puedes comprobar que esta píldora realmente funciona?

Una forma sería tomártela y comprobar si eres mejor persona, pero probablemente te será difícil convencer a los demás de que la píldora funciona solo con tu experiencia. Descubres que existe un test que mide cuán buena persona eres, pero que sólo se puede realizar una vez (porque la gente le pilla el tranquillo y a la segunda los resultados son muy diferentes). Decides entonces que una forma de comprobar si tu píldora funciona sería seleccionar a dos sujetos, darle a uno tu píldora y al otro una píldora placebo, y comprobar después con el test si el sujeto al que le diste tu píldora es mejor persona que el otro. Con ésto seguramente tampoco convencerías, pues te preguntarían: “¿y si la persona a la que le diste tu píldora ya era mejor persona que la otra?”. Te das cuenta de que la forma con la que probablemente tendrías más éxito sería seleccionar a muchos sujetos, darles aleatoriamente tu píldora o la píldora placebo y comprobar si, de media, los sujetos a los que les diste tu píldora son suficientemente mejores personas que los sujetos a los que les diste la píldora placebo. Pero, ¿cuántos sujetos deberías seleccionar? ¿cuánto mejor personas tienen que ser los sujetos que tomaron tu píldora para decir que la diferencia es suficientemente grande? ¿cuándo podrás concluir por fin que tu píldora funciona?

La estadística nunca despertó tu interés, así que decides ignorarla y hacer el experimento a tu manera. Sabes que la gente puede ser buena persona del 0 al 100 (donde tener 0 “puntos” de buena persona es ser muy mala persona y tener 100 puntos es ser muy buena persona), y crees que es igual de probable encontrarte a una persona con cualquier nivel de buena persona. Decides invitar a 20 sujetos, escoger a 10 sujetos aleatoriamente para darles tu píldora (y darles un placebo a los otros 10) y después medir cuán buenas personas son.  Si los sujetos a los que les diste tu píldora son de media al menos 5 puntos mejores personas que los que tomaron el placebo, concluirás que tu píldora funciona. Pero pronto te das cuenta de que algo no va bien. Dado que podrías tener la mala suerte de que el azar envíe las mejores personas del grupo de 20 sujetos al grupo al que le das tu píldora, ¡es posible que encuentres este efecto de 5 puntos aunque en realidad tu píldora no funcione! Peor aún, te das cuenta de que, sea cual sea el resultado del experimento (aunque encuentres que los del grupo de tu píldora son 40 puntos más buenas personas que los del grupo del placebo), ¡siempre va a existir la posibilidad de que tu píldora no tenga ningún efecto y de que, en realidad, esta diferencia se deba al azar!

Qué golpe más duro. Toda una vida diseñando esta píldora para darte cuenta de que nuncapodrás comprobar con certeza si funciona o no. Estás a punto de dejarlo todo atrás para empezar tu nueva vida en el paro cuando te das cuenta de algo. Piensas: “sí que es verdad que, aunque la diferencia entre el grupo de mi píldora y el de placebo fuera de 40 puntos, nunca podré asegurar que esta diferencia se deba a mi píldora y no al azar. Pero sí que puedo ver cuál es la probabilidad de que una diferencia de 40 puntos entre los dos grupos se deba sólo al azar. Es decir, en caso de que mi píldora no funcionase, puedo calcular en qué porcentaje de experimentos encontraría una diferencia tan grande a causa del azar”. Tienes entonces una idea: una buena forma de averiguar si la píldora funciona es comprobar si la diferencia de bondad entre los dos grupos es tan grande como para que sea improbable que se haya producido solo por el azar. Te dices: “si encuentro una diferencia de bondad tan grande entre los que toman mi píldora y los que toman el placebo que la probabilidad de que ocurra solo por azar es del 5% o menos, entonces voy a concluir que mi píldora funciona”.

Te preguntas ahora: “dada la regla que he definido para decidir si mi píldora funciona, si hiciera el experimento con 20 sujetos ¿cuán grande debería ser la diferencia de bondad entre el grupo que toma mi píldora y el que toma el placebo para concluir que mi píldora funciona? ¡Voy a calcularlo!”. Te pones manos a la obra. Coges un dado de 100 caras (te aseguro que existen, pero puedes también simularlo online) y lo tiras 20 veces, apuntando el número que te ha salido cada vez. Cada tirada representa lo buena persona que es uno de los 20 sujetos que ha acudido a tu experimento. Las primeras 10 tiradas representan cuán buenas personas son los sujetos a los que les darás tu píldora, y las segundas 10 tiradas representan los sujetos del grupo del placebo. Calculas la media de los dos grupos (te da 56,17 para el primer grupo y 45,83 para el segundo), y te apuntas la diferencia. En este caso, la diferencia es 10,34. Lo vuelves a hacer, -3,21. Lo vuelves a hacer, 23,89. Lo repites 10.000 veces para crear 10.000 experimentos ficticios. Entonces ordenas los resultados de los 10.000 experimentos ficticios según el resultado, empezando con la diferencia de bondad más grande y acabando con la más pequeña. El número que queda en la posición 500 (el 5% más grande) es 21 puntos. Concluyes entonces que, si en tu pequeño experimento con 20 sujetos encontrases que la diferencia de bondad entre el grupo que toma tu píldora y el grupo que toma el placebo es de más de 21, la probabilidad de que este resultado venga dado por el azar será solo de un 5% o menos. Por lo tanto, concluirás que tu píldora funciona.

Ya está todo listo para realizar el experimento. Estás a punto de salir a reclutar a tus sujetos. Pensando en los 21 puntos, piensas: “oye, ¿y ya es razonable esperar que la diferencia entre los dos grupos sea de 21 puntos? Yo pienso que, si mi píldora tiene algún efecto, el efecto será que los sujetos que la tomen van a ser unos 10 puntos más buenas personas, pero no más (¡tan potente no es!). Entonces, si el efecto real de mi píldora fuera de 10 puntos, ¿sería factible encontrar que la diferencia entre los dos grupos es de 21 puntos?”. Corres hacia tu libreta con las 10.000 diferencias y piensas qué pasaría si tu píldora en realidad tuviera un efecto de 10 puntos. Así que añades 10 puntos a todas las tiradas que hiciste para los sujetos ficticios del grupo de la píldora (simulando que tu píldora tuvo un efecto) y vuelves a calcular la diferencia entre la media del grupo de la píldora y del grupo placebo para cada uno de los 10.000 experimentos ficticios. ¡Te pegas un susto cuando ves los resultados! ¡Aunque el efecto de tu píldora fuera real e hiciera que la gente fuera 10 puntos más buena persona, solo 1.985 de tus 10.000 experimentos ficticios encontrarían una diferencia superior a los 21 puntos! ¡Es decir, aunque tu píldora realmente funcionase, la probabilidad de que concluyeras que funciona sería inferior al 20%!

Te das cuenta de que quizás la clave está en reclutar a más sujetos: “si recluto a más sujetos, la diferencia de la media de buena persona entre los dos grupos va a estar más cercana a 0 (en caso de que no exista ningún efecto) o más cercana a 10 (en caso de que exista un efecto). Por lo tanto, si mi píldora funciona realmente, es más probable que pueda concluir que funciona cuántos más sujetos tenga”. Como no puedes permitirte reclutar un número infinito de sujetos (no tienes tanto dinero), decides reclutar los suficientes para que, si en realidad tu píldora tiene un efecto de 10 puntos, lo puedas concluir en tu experimento con un 80% de probabilidad.

Así que vuelves a tirar los dados imaginándote que, en vez de 20, reclutas a 100 sujetos. Haces los mismos cálculos que antes y calculas que para concluir que existe un efecto deberías encontrar una diferencia de 8,93. Calculas que si el efecto real fuera de 10 puntos, concluirías que existe un efecto con un 55% de probabilidad. No es suficiente. Lo pruebas otra vez con 400 sujetos. 94% de probabilidad. Demasiado. Hasta que pruebas con 200 sujetos. Perfecto: “si hago el experimento con 200 sujetos y en realidad el efecto de mi píldora es de 10 puntos, voy a concluir que mi píldora funciona con un 80% de probabilidad. Si en realidad mi píldora no funciona, solo concluiría que funciona con un 5% de probabilidad”.

Sin darte cuenta, técnicamente has diseñado un experimento con una potencia estadística del 80% para detectar un efecto con un 5% de significatividad. Así, tu probabilidad de cometer un error Tipo II (es decir, de no rechazar la hipótesis nula de no efecto cuando esta es falsa) es de un 20%, y tu probabilidad de cometer un error Tipo I (es decir, de rechazar la hipótesis nula de no efecto cuando esta es cierta) es de un 5%. Estos acostumbran a ser los estándares que las ciencias sociales utilizan para calcular el número de sujetos que necesitan en sus experimentos. Después de hacer este análisis, toca pre-registrar y realizar el experimento.

¡Ah! Al final hiciste el experimento con 200 sujetos y te salió un efecto de 12 puntos. Calculaste que un efecto tan grande solo ocurriría con un 0,2% de probabilidad solo por azar (el valor p es 0,002). Concluiste que tu píldora para ser mejor persona funciona.

¡Próximamente en sus tiendas!

Nota final: Por supuesto, tirar los dados tantas veces cada vez que se quiera realizar un análisis de potencia puede cansar bastante. Otra opción es utilizar fórmulas analíticas que ayudan en el cálculo. No obstante, otra posibilidad (más flexible) es usar simulaciones con algún programa matricial. En este link explico cómo hacerlo con el programa Stata.

La entrevista clínica está lejos de su mejor momento

La entrevista clínica está lejos de su mejor momento https://gestionclinicavarela.blogspot.com/2018/10/la-entrevista-clinica-esta-lejos-de-su.html?spref=tw … @gesclinvarela

Descárgate gratis el libro “Entrevista clinica. Manual de estrategias prácticas” de @francescborrel1
https://www.semfyc.es/wp-content/uploads/2016/05/EntrevistaClinica_Borrell.pdf

Urgencias del Bierzo. NUEVAS GUÍAS DE MANEJO DEL SINCOPE.

Sesión realizada recientemente por la Dra Mercedes Nuñez en la que repasa las novedades de la guia de manejo de síncope publicada no hace mucho…espero os guste.

Actualización del sincope

comentarios de la guia europea de sincope 2018

Dismenorreas. Dr Alberto Sanagustín.

El rincón de Sísifo. Prescripción y deprescripción de antipsicóticos en pacientes con demencia (1).

Pasados los fastos de los primeros 600 posts de El rincón de Sísifo, vamos a dedicar el 601 a uno de los temas más peliagudos a los que se enfrentan los profesionales sanitarios de atención primaria a diario: el uso adecuado de los antipsicóticos en los pacientes ancianos que sufren una demencia.

En primer lugar, vamos a ver los criterios de prescripción y para ello vamos a resumir y vitaminar el documento que publicó la Comisión central para la optimización y armonización farmacoterapéutica órgano colegiado de la Consejería de Salud de la Junta de Andalucía cuyas composición y funciones están aquí recogidas. Leer más de esta entrada

Doc. Rafalafena. Revisión Osteoporosis

La osteoporosis es una de esas patologías que suelen generar desconcierto en los residentes. Encontramos información muy variada y en ocasiones contradictoria sobre criterios de solicitud de densitometrías, criterios de inicio de pauta de tratamiento e incluso duración del mismo. Por ese motivo hemos realizado una búsqueda bibliográfica al respecto, comparando diversas guías entre sí y elaborando unas conclusiones con todo el material estudiado.

Osteoporosis paso a paso:

1. Los Factores de riesgo mayores de fractura son: 

• Edad >65 años, fractura previa por fragilidad, antecedente familiar de fracturade cadera, IMC<20 Kg/m2, Menopausia precoz no tratada ( <45 años), >2 caidas último año, dosis >7'5mg/día prednisona o equivalente más de 3 meses, hiperparatiroidismo.

2. A quién realizar la densitometría en prevención  primaria?

• Según la Guía de la NOCG se debería utilizar la herramienta FRAX ( calcula la probabilidad de fractura a 10 años), siendo la opción más coste-efectiva para realizar la densitometría FRAX>5%.
• Calculamos el riesgo a partir de los 65 años.

3. A quién tratamos en prevención primaria?

• Se calcula de nuevo el FRAX añadiendo el dato densitométrico de forma que clasificamos en:
  • riesgo elevado ( precisan tratamiento) : aquellos con osteoporosis densitométrica( T score< -2'5) y riesgo  FRAX >7'5%
  • riesgo bajo ( no precisan tratamiento): aquellos sin osteoporosis densitometrca y  riesgo FRAX< 7'5%.
  • la osteopenia podría tratarse cuando la probabilidad de fractura calculada esté en el umbral de tratamiento.

4. Cómo tratar?

• Los paciente con enfermedad osteoporótica en tratamiento con fármacos antiresortivos u osteoformadores deben recibir aporte de calcio y vitamina D junto al tratamiento.
• Los bifosfonatos son el tratamiento de primera linea ( han demostrado su eficacia en reducir fracturas vertebrales y no vertebrales en prevención primaria y secundaria): alendronato 70mg/semana y risendronato 35mg/semana.
• Insistir en disminuir los factores de riesgo mayores sobre los que se pueda actuar.

Como conclusión decir que dentro de toda esta controversia las guías coinciden en que hemos de ser más permisivos con el tratamiento cuando los factores de riesgo estén presentes y por contra más restrictivos cuando no existan factores de riesgo asociados. Esto quiere decir que no vamos a tratar únicamente en función de los criterios densitométricos. A continuación os dejo del material consultado, el artículo que ha sido la base de estas ideas principales.

osteoporosis-2017

Docencia Calviá. URGENCIAS RELACIONADAS CON EL CONSUMO DE DROGAS DE DISEÑO Y SUSTANCIAS EMERGENTES.

Sesión realizada por Fiorella Granado Fronzo, una de nuestras R1 de MFYC, sobre las urgencias relacionadas con el consumo de drogas de diseño y sustancias emergentes. ¡Esperamos que os guste!   URGENCIAS RELACIONADAS CON EL CONSUMO DE DROGAS DE DISEÑO Y SUSTANCIAS EMERGENTES from Docencia Calvià

Leer más de esta entrada