viernes, 1 de agosto de 2014

Comparación del peso perdido en una dieta cetogénica (fuente) según se tenga resistencia a la insulina (IR) o no (IS).

A menudo entre quienes hacemos recomendaciones nutricionales, se nos llena la boca hablando de tal o cual estudio en el que se obtiene un resultado que por tanto generalizamos a todo el que lo lea. Ya puse un ejemplo hace unas semanas, el caso de una dieta cetogénica parecía ser favorable respecto a una dieta equilibrada en todo el mundo, pero si se analizaba bien se podía ver como en realidad dependía de la sensibilidad a la insulina. La gente con resistencia a la insulina al ser mayoría, pues es una de las típicas causas de obesidad (o viceversa), daban más peso a la medida que favorecía a una dieta baja en hidratos de carbono. 

El gran problema que hay en nutrición es que, aunque se hable de la necesidad de individualizar el tratamiento con el paciente, en los estudios científicos viene implícita la idea de que las variaciones en la medida son puramente estadísticas. A modo introductorio y simplificado, cuando realizamos una medida de una cantidad, ocurre lo siguiente:


Si tratamos de hacer una medida de un parámetro, la flecha roja, veremos que nuestras medidas van a tener ciertas variaciones aleatorias alrededor del promedio. Si hiciéramos una cantidad infinita de medidas, nuestra distribución iría estrechándose hasta converger en el valor exacto. 


¡Pero estamos suponiendo que en nutrición existe un valor preciso! ¿Dónde está el famoso principio de individualización? Damos por hecho que nuestra medida se trata de una variable con un valor preciso, cuando lo más probable no es que se trate de un único valor sino de una distribución. Si empezáramos a tomar una medida cuyo valor real estuviera distribuido según una distribución gausiana, a la hora de dar el resultado final, dando un promedio con cierto margen de error, estaríamos dando lugar a equívocos porque no es lo mismo un margen de error estadísticos que la variación inherente de un valor real que no es fijo.

Aunque siendo estrictos, incluso siendo un valor preciso lo consideraríamos una distribución (una distribución delta), puede ocurrir que lo que tratemos de medir no tenga una distribución delta y por tanto dar un promedio tenga poco significado científico, como es el caso de la distribución de esperanza de vida entre pobladores del paleolítico.

Distribución de esperanza de vida en el paleolítico (fuente) de hombres y mujeres (Ache M y F) en el paleolítico y chimpancés (Chimp M y F). 

Donde el promedio poca información nos da. El problema es que tanta gente, incluso gente con formación, se confunda y se piense que el promedio nos da siempre el valor real de la medida cuando eso sólo se da en el caso de medidas de una distribución delta con variación estadística, como el primer caso que he puesto.

En el caso que he expuesto en la introducción también ocurre algo semejante. Si en nutrición se tuviese la buena costumbre de presentar sus medidas mediante distribuciones en vez de mediante simples promedios, hubiese quedado mucho más claro lo que ocurría. Echémosle un vistazo desde el punto de vista de las distribuciones:
Doble gausiana: dnorm(x,mean=-1,sd=1)+0.25*dnorm(x,mean=3,sd=1)
Mirando aquí, se ve claro que tenemos dos distribuciones. En este caso, los valores negativos favorecerían la dieta cetogénica y los positivos una dieta baja en grasas. ¿Pero qué ocurre si a esto le añadimos la desviación estadística?
Doble gausiana, sd = 1.5 (izquierda), sd = 2 (derecha). Línea roja doble gausiana, línea azul gausiana simple (sd = 2)

Como podéis ver, si añadimos variación estadística en la medida, las dos gausianas correspondientes a los insulinorresistentes y a los sensibles a la insulina se funden, hasta el caso de que puede costar poder diferenciar entre la doble gausiana con ruido (línea roja) de la gausiana simple (línea azul).  Pero no os preocupéis, que hay parámetros estadísticos que ayudarían a distinguir una cosa de la otra. Cabe mencionar que los estudios científicos con una muestra baja tienen la gran limitación de que todo puede llegar a parecer una gausiana. Con buen tratamiento estadístico, por otro lado, podríamos llegar a ser capaces de distinguir en este caso qué diferencia a los de cada lado de la distribución e inferir si no es algún efecto sistemático, si no es la distribución inherente del parámetro o qué es lo que ocurre exactamente.

Con estos dos ejemplos prácticos, el de la esperanza de vida y el de las dietas cetogénicas, espero que quede claro que hablar de promedios no es suficiente. Porque si estamos tan seguros de que la dieta debe ser individualizada y que no todo funciona para todo el mundo, por razones varias, lo interesante es estudiar las distribuciones y es lo que debería ser mostrado en los artículos, que es donde está la información que necesitamos para analizar convenientemente los resultados y no limitarnos a dar un promedio con margen de error.

0 comentarios :

Publicar un comentario