No siempre a cada síntoma le corresponde un daño | 03 FEB 19

Síntomas, placebo y cerebro bayesiano

A pesar de su éxito, el modelo biomédico no ha proporcionado una explicación adecuada de dos fenómenos bien demostrados: los síntomas sin alteración fisiopatológica y el alivio después de la administración de un placebo.
Autor/a: Ongaro, Giulioa, Kaptchuk, Ted J. Fuente: Pain: doi: 10.1097/j.pain.0000000000001367 Topical Review Symptom perception, placebo effects, and the Bayesian brain Ongaro, Giulioa,*; Kaptchuk, Ted J.b,c
INDICE:  1. Página 1 | 2. Referencias bibliográficas
Página 1

Introducción

El modelo biomédico estándar e ideal de la percepción de los síntomas trata al cerebro en gran parte como un órgano pasivo impulsado por estímulos. Abraza la idea de que el cerebro absorbe las señales sensoriales del cuerpo y las convierte, directamente, en experiencia consciente.

En consecuencia, la biomedicina funciona bajo el supuesto de que los síntomas son las consecuencias directas de la disfunción fisiológica y la mejoría es la consecuencia directa de la restauración de la función corporal.

A pesar de su éxito, el modelo biomédico no ha proporcionado una explicación adecuada de 2 fenómenos bien demostrados en medicina:

(1) La experiencia de los síntomas sin alteración fisiopatológica.

(2) La experiencia de alivio después de la administración de tratamientos con placebo.

Esta revisión tópica promueve la idea de que el "procesamiento predictivo", un enfoque bayesiano de la percepción que se está afianzando rápidamente en la neurociencia, ayuda significativamente a acomodar estos dos fenómenos.

Expande el trabajo empírico reciente de alta calidad sobre el procesamiento predictivo y describe, más ampliamente, cómo los modelos bayesianos ofrecen una imagen completamente diferente de cómo el cerebro percibe los síntomas y el alivio.

El cerebro bayesiano

El sistema nervioso está lidiando constantemente con un flujo continuo y potencialmente abrumador de señales variables provenientes de nuestro cuerpo y sentidos. Por el bien de la adaptación, el cerebro debe convertir este juego confuso de entradas sensoriales y disparos neuronales en una percepción confiable del mundo. El debate en la ciencia cognitiva ha girado en torno a cómo exactamente el cerebro realiza esta tarea.

La percepción está modulada cognitivamente y podría considerarse mejor un proceso de predicción basado en una integración de entradas sensoriales, experiencia previa y pautas contextuales

Si bien las teorías anteriores, en línea con el modelo biomédico actual de la enfermedad, consideraron la percepción principalmente como una lectura de abajo hacia arriba de las señales sensoriales, los modelos bayesianos emergentes sugieren, en cambio, que la percepción está modulada cognitivamente (en su mayor parte inconscientemente), y podría considerarse mejor un proceso de predicción, basado en una integración de entradas sensoriales, experiencia previa y pautas contextuales.

La sugerencia clave es que para percibir el mundo, el cerebro sigue una teoría de probabilidad conocida como la regla de Bayes. En su forma matemática, la regla actualiza la probabilidad de una hipótesis dada (o "anterior"), dada alguna evidencia, considerando el producto de la probabilidad y la probabilidad previa de la hipótesis.

En escalas de tiempo rápidas, el cerebro implementa predicciones bayesianas generando continuamente una cascada de arriba a abajo de hipótesis codificadas neurológicamente (en su mayoría no conscientes) sobre el estado del cuerpo y el mundo.

Este flujo de hipótesis de arriba hacia abajo se encuentra con la corriente de abajo hacia arriba de entradas sensoriales que provienen de los sentidos. Cualquier desajuste entre la entrada predicha y la entrada real da como resultado un "error de predicción", lo que incita al sistema a revisar sus hipótesis. La percepción de abajo hacia arriba es, por lo tanto, inseparable de la predicción de arriba hacia abajo.

Lo que percibimos no es el mundo como realmente es, sino la mejor suposición del cerebro

Algunas de las hipótesis que dan cuenta de las características más abstractas y generales del mundo están "incorporadas" por la evolución; otros son susceptibles de refinamiento progresivo a través del aprendizaje del desarrollo. A lo largo de la vida, el sistema nervioso se involucra en la actualización continua de estos antecedentes para predecir mejor las siguientes entradas sensoriales entrantes y minimizar el error.

Una implicación central de la teoría es que lo que percibimos no es el mundo como realmente lo es, sino la mejor suposición del cerebro, refinado continuamente por la evidencia sensorial entrante. La percepción visual, el dominio del cual procede gran parte de la evidencia del cerebro bayesiano ha emergido y ofrece la forma más intuitiva de comprender su principio clave.

Para mencionar un ejemplo simplista, los troncos en un bosque que está infestado por serpientes podrían percibirse al principio como serpientes, hasta que obtengamos una vista más refinada que actualice la hipótesis.

Es importante destacar que la interacción entre las predicciones descendentes y las señales ascendentes que se encuentran en el corazón del procesamiento predictivo se modulan de manera flexible por la "precisión" (o "variación inversa", en términos estadísticos) de las hipótesis y la evidencia sensorial.

Al enfrentarse con la tarea de determinar la probabilidad de que un conjunto dado de entradas represente un estado predicho, el cerebro utiliza la experiencia previa y las indicaciones contextuales sutiles para determinar su precisión.

El ejemplo de ver a los trocos de los árboles como serpientes representa un caso en el que hipótesis altamente precisas conformadas por la experiencia previa (saber cómo es una serpiente, saber que las serpientes habitan en el bosque) anulan las entradas visuales imprecisas.

  • De hecho, el modelo de cerebro bayesiano es capaz de explicar cómo, en contextos de predicciones precisas e insumos imprecisos, las percepciones pueden desviarse del estado real del mundo.
     
  • A la inversa, también aclara cómo se pueden hacer inferencias en condiciones de ambigüedad que carecen de estimaciones precisas.

El modelo está respaldado por una creciente evidencia computacional y de neuroimagen, y promueve la idea de que la precisión de las predicciones descendentes podría estar "codificada" en el cerebro por neurotransmisores como la dopamina.

 

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 | Política de privacidad | Todos los derechos reservados | Copyright 1997-2024