¿Por qué es importante su distribución? | 02 NOV 15

Error médico

Este artículo presenta evidencia a favor de una distribución según la regla de potencia para los errores médicos y examina las consecuencias que tiene ese tipo de distribución.
Autor/a: McLean TR Am J Surg 2015: 210(1): 188-192
INDICE:  1.  | 2. Bibliografía

Introducción

Los datos de ambos lados del Atlántico sugieren que, a pesar de las numerosas intervenciones para mejorar la calidad de la atención médica durante la última década, existe escasa evidencia de una reforma positiva [1].

Por ejemplo, en los Estados Unidos, un estudio de la Rand Corporation fracasó en demostrar que la iniciativa “pago por desempeño” redujera la incidencia de errores médicos [2]; y en el Reino Unido la iniciativa a gran escala Safer Patient Iniciative, “no tuvo efectos adicionales discernibles sobre la seguridad del paciente; la mejora en la atención tuvo la misma extensión en los hospitales con tratamiento y en los de comparación” [3].

Peor aún, en algunos escenarios de atención de la salud, existe realmente evidencia que sugiere que la calidad de la atención está deteriorada, a pesar del hecho de que los proveedores de atención médica han recibido un extenso entrenamiento en calidad de la atención [4].

Aunque pueden existir muchas explicaciones sobre el fracaso para reducir los errores médicos, este artículo examina la posibilidad de que el modelo para la reducción de los errores médicos pueda estar equivocado. Teóricamente, los errores médicos deberían seguir una distribución según la regla de Pareto• o la regla de potencia. Por el otro lado, virtualmente todas las intervenciones para reducir el error médico asumen que esos errores siguen una distribución Gaussiana o en forma de campana.


Sobre la naturaleza de los errores médicos

En su trabajo seminal sobre los errores médicos, el Institute of Medicine (IOM) estableció que la prestación de la atención médica es tanto complicada como compleja [5]. La atención médica es complicada por sus múltiples agentes independientes y vías clínicas.

La atención médica es compleja porque “uno de los componentes del sistema puede interactuar con otros múltiples componentes” y esas interacciones son “tiempo dependientes”.

De acuerdo con el IOM, la prestación de la atención médica puede ser “caracterizada por su especialización e interdependencia”, de modo que sus “múltiples bucles de retroalimentación” son sensibles a la información.

Luego, el IOM definió al error médico, como “una falla en el proceso de brindar atención en un sistema complejo de prestación”.

Dado que brindar atención médica en tanto complicado como complejo, una cuestión clave se refiere a como están distribuidos los errores médicos. Muchos estudios sobre la reducción del error médico han asumido simple y explícitamente, que los errores médicos siguen una distribución Gaussiana (o una distribución de Poisson si el autor del estudio considera al “error médico” como una variable discreta) [6].

Aún los estudios de mayor intervención administrativa relacionados con la reducción del error médico, han asumido implícitamente que las ocurrencias del error médico siguen una distribución Gaussiana [7]. Dado que en la época del reporte del IOM, se predicaba la mejora de la calidad en los sectores de servicios industriales y comerciales, sobre la reducción de la variación, o más específicamente, el desvío estándar (o sigma) [8], no era irrazonable asumir que los errores médicos estaban distribuidos a lo largo de una curva con forma de campana. (Aquí, el término “reducción sigma” se refiere a cualquier estrategia o técnica de reducción del error, que asume que los errores médicos siguen una forma de distribución en campana y que luego intentan reducir la incidencia de los errores médicos estrechando el desvío estándar) [9].

Sin embargo, los tiempos están cambiando. Taleb, en su libro “Antifragile” del año 2003, observó que los errores en los sistemas sensibles a la información complicados y complejos, están distribuidos de acuerdo con la distribución de la Ley de Potencia. A priori, la observación de Taleb implica que si la prestación de la atención médica ocurre como la describió el IOM, los errores médicos deberían estar distribuidos de acuerdo con la Ley de Potencia. Similarmente, O´Boyle demostró que, a través de un amplio rango de industrias y tipos de trabajos, “el desempeño individual no está normalmente distribuido, por el contrario, sigue una distribución Paretiana [Ley de Potencia]” [10].

O´Boyle añadió: “cuando los datos del desempeño no conforman una distribución normal, entonces [los investigadores a menudo concluyen que el error “debe” estar en la muestra y no en la población”. Entonces, cuando los investigadores obtienen resultados no anticipados, a menudo asumen que algo está equivocado con la recolección de los datos, más que controlar sus propias suposiciones.

Los trabajos de Taleb y O´Boyle deberían alentar a los proveedores de atención médica, a reexaminar sus presunciones sobre cómo están distribuidos los errores médicos. El reexamen de las presunciones sobre cómo está distribuido el error médico, está limitado por una escasez de información pública relacionada con la ocurrencia de errores médicos a nivel individual, hospitalario, estatal y nacional [11].

Por lo tanto, para trabajar alrededor de esa limitación en el conocimiento, es necesario examinar las características distintivas de las distribuciones según la Ley de Potencia y la Gaussiana, así como el uso de los representantes del error médico (esto es, disciplina del médico y reclamos por mala praxis médica), para el error médico.

Tres factores distinguen la distribución Paretiana de la Gaussiana. Los eventos que siguen la distribución Gaussiana, ocurren independientemente uno del otro y esa independencia permite, para ambos, un cálculo confiable de la media y un análisis estadístico basado en la varianza. La curva en forma de campana de la distribución Gaussiana, significa que los eventos que ocurren a más de 3 más allá de la media son tan raros, que es razonable asumir que esos eventos no ocurren. Finalmente, la distribución Gaussiana es escala-dependiente, esto es, la forma de la curva de distribución depende de la sección de la curva bajo revisión.

En contraste, debido a la interdependencia de los eventos, en una distribución según la Ley de Potencia, mapea una curva parabólica, el concepto de media y varianza es socavado [12]. Además, las “colas gordas” de la distribución según la Ley de Potencia, significan que las ocurrencias que están más allá de 3 de la media, nunca pueden ser asumidas como cero [13].

Finalmente, tanto Mendelbrot como O´Boyle han observado, que la distribución según la Ley de Potencia demuestra una “invariación con la escala”, esto es, la curva de distribución de la Ley de Potencia tiene el mismo aspecto cuando es aumentada diez, cien o mil veces.

Cuando se combina con los datos representativos del error médico, si la curva de ocurrencia es escalable o no, puede ser usado como una herramienta para evaluar la distribución de los errores médicos. Considerar primero cómo los representativos de los errores médicos están distribuidos a nivel del proveedor. Bismark encontró que el número de reclamos por médico recibidos en una junta médica, se acercaba mucho a una distribución Paretiana de 80-20 [14].

En un estudio observacional de más de 9000 reclamos por mala práctica médica, Rolph demostró que el número de reclamos contra los médicos se adhería estrechamente a una distribución Paretiana de 80-20 [15], un hallazgo que ha sido observado por otros [16], incluyendo el National Practitioner Data Bank.

Al igual que los médicos, los hospitales son recelosos de informar sobre los errores médicos [18]. No sorprendentemente, no es fácil encontrar datos sobre errores médicos serios en los hospitales. Por lo tanto, es necesario recurrir nuevamente a los datos representativos. Considerar los datos de calidad hospitalaria del Leapfrog Group, que es una coalición basada en empleadores, que aboga por una atención médica hospitalaria mejorada promoviendo la transparencia [19].

Leapfrog califica a los hospitales desde “A” hasta “F”, dependiendo de las mediciones ponderadas de 28 métricas de calidad públicamente disponibles, que reflejan los errores médicos [20]. Si se consideran los datos de Leapfrog para 276 hospitales de California, se encuentra que 123 hospitales fueron considerados con calidad “A”, o relativamente libres de error; 63 hospitales fueron considerados con calidad “B”; 66 hospitales fueron considerados con calidad “C”; 18 hospitales fueron considerados con calidad “D”; ningún hospital fue considerado con calidad “E”; y 6 hospitales fueron considerados con calidad “F”, o propensos a errores [21].

Aunque esos datos no producen una curva de distribución parabólica perfecta, que es consistente con una distribución según la Ley de Potencia, los datos no conforman, definitivamente, una curva de distribución en forma de campana. A nivel de estado, los datos de Leapfrog también sugieren que los errores médicos están distribuidos de acuerdo con la Ley de Potencia [22].

Estos datos sugieren fuertemente que, para los médicos, hospitales y estados, la distribución de los errores médicos es parabólica y sin variaciones en la forma. Esos hallazgos no son definitivos, pero parece que la distribución de los errores médicos sigue una distribución según la Ley de Potencia. La preferencia de asumir que los errores médicos están distribuidos de acuerdo con una curva Gaussiana parece, en consecuencia, que refleja conveniencia. Sin embargo, debemos darnos cuenta que, asumir el fenómeno siguiendo una distribución Gaussiana cuando, en realidad, el fenómeno sigue una distribución Paretiana, puede tener consecuencias desastrosas [23].


Estrategia para la reducción de los errores médicos

Si más investigación demuestra que los errores médicos siguen una distribución Paretiana, se podría explicar porqué las intervenciones en la última década han fallado para reducir el sufrimiento del paciente. De manera breve, pudimos haber estado aplicando el modelo equivocado para las intervenciones sobre el error médico. En consecuencia, además de la conveniencia matemática, es importante considerar otros factores que mantienen el uso de las intervenciones para disminuir el error médico, basadas en la distribución Gaussiana.

La economía del comportamiento puede ayudarnos con este análisis. En particular, la economía del comportamiento enseña que el “pensamiento de grupo” tiende a cegar a los investigadores sobre las fallas en sus suposiciones [24], llevándolos a “sobreestimar cuánto comprendemos sobre el mundo y subestimar el papel del azar en los eventos”.

La ceguera de los investigadores se agrava por la “ley del menor esfuerzo”, que afirma que “si hay varias maneras de alcanzar el mismo resultado, la gente eventualmente gravitará sobre el curso de acción que demande menos esfuerzo”. Esa ley del menor esfuerzo tiene dos corolarios. Primero, dado que reemplazar una respuesta o conclusión intuitivamente plausible requiere un arduo trabajo, muchos investigadores no se toman el tiempo de pensar el problema del principio al fin.

El segundo corolario de esta ley es que, cuando se debe elegir entre alternativas, “los eventos recientes y el contexto actual tienen el mayor peso para determinar una interpretación”, porque “la consistencia de la información que importa en una buena historia, no es su completitud”.

Esos principios tienden también a explicar  cómo la investigación del error médico se ha vuelto corrupta. Por ejemplo, contrario a “la regla de los filósofos de la ciencia, que aconsejan comprobar las hipótesis tratando de refutarlas, la gente busca datos que probablemente sean compatibles con las creencias que sostienen en la actualidad”.

 

Comentarios

Para ver los comentarios de sus colegas o para expresar su opinión debe ingresar con su cuenta de IntraMed.

AAIP RNBD
Términos y condiciones de uso | Todos los derechos reservados | Copyright 1997-2022