Gestión de la incertidumbre en la era covid-19

Harry Rutter. Miranda Wolpert. Trisha Greenhalgh,

La pandemia covid-19 está madurando, pero las incertidumbres siguen multiplicándose tanto para los individuos como para los responsables políticos. ¿Cuando debo volver al trabajo? ¿Debo visitar a mis parientes y amigos? ¿Qué empresas deben reabrir? ¿Qué pasa con las escuelas y las universidades? ¿Cómo contener los contagios en los diferentes transportes públicos?.

Este trabajo no trata sobre las respuestas a esas preguntas, sino que la incertidumbre es un característica actual de la realidad, que radica en la falta de evidencias. Se trata de la incertidumbre y de cómo la manejamos tanto a nivel personal como político cuando es esencial actuar urgentemente.

La ciencia a veces se representa como una búsqueda metódica y minuciosa de la verdad, y una buena formulación de políticas como la traducción de esas verdades basadas en la evidencia en acción y aplicables al mundo real. En tiempos pre-pandémicos, estas suposiciones a veces (aunque no siempre) se mantienen. Sin embargo, esta pandemia ha puesto de buena atención la complejidad de la ciencia y la formulación de políticas en el contexto de la incertidumbre.

La enfermedad es novedosa. Es probable que algunos hallazgos recientes de investigación puedan recibir el estado de los hechos, pero en general, la evidencia se basa en la eficacia de las intervenciones, tanto preventivas como terapéuticas, sigue siendo irregular y limitada. Se cuestiona hasta qué punto se puede extrapolar la medida en que los resultados de la investigación de otras enfermedades (e incluso otros coronavirus) se pueden extrapolar a covid-19.

A medida que la experiencia de cada país de covid-19 pasa de un desastre nacional agudo a una crisis de política crónica, todos nosotros —médicos, científicos, responsables políticos y ciudadanos— tenemos que pasar de imaginar que las incertidumbres se pueden resolver. Puede que nunca lo sean.

Esto se debe a que covid-19 es, por excelencia, un problema complejo en un sistema complejo.  Los sistemas complejos se componen, por definición, de múltiples componentes que interactúan. Estos sistemas son abiertos (sus límites son fluidos y difíciles de definir), evolucionan dinámicamente (los elementos del sistema se retroalimentan, positiva o negativamente, en otros elementos), impredecibles (una entrada fija al sistema no tiene una salida fija) y autoorganización (el sistema responde adaptativamente a las intervenciones). Los sistemas complejos sólo pueden entenderse correctamente en su totalidad; aislar una parte del sistema para «resolver» no produce una solución que funcione en todo el sistema para siempre. La incertidumbre, la tensión y la paradoja son inherentes; deben ser acomodados en lugar de resolverse.

En circunstancias como esta, los hechos incontestables —cosas que son determinables, reproducibles, transferibles y predecibles— tienden a ser esquivos. La mayoría de las decisiones deben basarse en información viciada (medida imperfectamente, con datos faltantes), incierta (controvertida, tal vez con baja sensibilidad o especificidad), próxima (relacionada con algo de una etapa eliminada del fenómeno real de interés) o escasa (sólo disponible para algunos aspectos del problema).

Los datos que son confiables, ciertos, definitivos y abundantes pueden presentarse como hechos y las decisiones basadas en pruebas pueden derivarse de ellos. Estos son los datos que esperamos y buscamos; la ciencia que informará la estrategia de salida definitiva de esta pandemia.  Pero la etapa de la pandemia actual requiere que trabajemos con los tipos de datos imperfectos descritos anteriormente, por lo que se necesitan diferentes enfoques.

Todos nosotros haciendo uso de estos datos debemos ser conscientes de nuestros propios sesgos confirmatorios, evitando el aplanamiento y aplicando los mismos estándares de escrutinio a los hallazgos que parecen apoyar nuestras creencias previas o sesgos personales en cuanto a aquellos que los desafían. En tales circunstancias, es posible que todos debamos tomar decisiones basadas en el «equilibrio de probabilidades» en lugar de «evidencias más allá de las dudas razonables», y considerar cómo se enreda con las interpretaciones, valores y prioridades existentes.

En lugar de buscar —o fingir— certeza, debemos ser abiertos sobre la incertidumbre y transparentes en las formas en que reconocemos las limitaciones de los datos imperfectos que no tenemos más remedio que usar. Se debe alentar a los equipos a admitir ignorancia, explorar paradojas y reflexionar colectivamente.  Esto mejorará la calidad de la toma de decisiones apoyando el escrutinio constructivo y nos hará más abiertos a revisar nuestras decisiones a medida que surjan nuevos datos y pruebas.

Incluso cuando una base de evidencia parece establecida, diferentes personas llegarán a conclusiones diferentes basadas en la misma evidencia. Cuando la base de evidencia es en el mejor de los casos incoada, las divergencias serán mayores. Cuando los conflictos epistémicos siguen sin ser reconocidos y suprimidos, pueden ser destructivos. Pero si se exponen y se debaten, las interpretaciones competidoras pueden ayudarnos productivamente a aceptar todas las opciones como erróneas y requerir la negociación entre una serie de actores en el complejo sistema. Si hay respeto mutuo y espacio para la negociación, tales conflictos pueden canalizarse en soluciones multifacéticas y acciones adaptativas.

Todos podemos enfrentarnos a la misma pandemia, pero nuestro conocimiento, cosmovisión y valores difieren. En lugar de demonizar a otros por sus interpretaciones alternativas, debemos celebrar las diferentes perspectivas que aquellos que se involucran rigurosamente con la ciencia pueden llevar a cabo sobre los datos inevitablemente defectuosos con los que tenemos que trabajar. En este contexto, la búsqueda purista de una verdad unidimensional ilusoria está condenada al fracaso. En su lugar, debemos generar y colaborar para lograr «soluciones torpes viables». Al evaluar cuidadosamente cómo se desarrollan estas respuestas imperfectas en entornos desordenados del mundo real, podemos ayudar a construir la base de evidencia multifacética que el mundo necesita urgentemente.

Gestión de la incertidumbre en una pandemia: cinco reglas simples 

1. La mayoría de los datos serán defectuosos o incompletos. Sea honesto y transparente al respecto.
2. Para algunas preguntas, es posible que nunca se alcance la certeza. Considere cuidadosamente si debe esperar pruebas definitivas o actuar de acuerdo con las pruebas que tiene.
3. Dar sentido a situaciones complejas reconociendo la complejidad, admitiendo ignorancia, explorando paradojas y reflexionando colectivamente.
4. Diferentes personas (y diferentes grupos de interesados) interpretan los datos de manera diferente. La deliberación entre las partes interesadas puede generar soluciones multifacéticas.
5. Las intervenciones pragmáticas, observadas cuidadosamente y comparadas en entornos del mundo real, pueden generar datos útiles para complementar los hallazgos de ensayos controlados y otras formas de evidencia.

Harry Rutter,Profesor de Salud Pública Global, Departamento de Ciencias Sociales y Políticas, Universidad de Bath, Bath, Reino Unido

Miranda Wolpert, Jefe de área prioritaria de salud mental, Departamento de Educación Clínica y Psicología de la Salud, Wellcome Trust, Londres, Reino Unido

Trisha Greenhalgh, Profesora de Ciencias de la Salud de Atención Primaria, Departamento de Ciencias de la Salud de La Atención Primaria de Nuffield, Universidad de Oxford, Oxford, Reino Unido

1. Lancaster K, Rhodes T, Rosengarten M. Making evidence and policy in public health emergencies: lessons from COVID-19 for adaptive evidence-making and intervention. Evidence & Policy: A Journal of Research, Debate and Practice 2020
2. Hawe P, Shiell A, Riley T. Theorising interventions as events in systems. American journal of community psychology 2009;43(3-4):267-76.
3. Greenhalgh T, Papoutsi C. Studying complexity in health services research: desperately seeking an overdue paradigm shift: BioMed Central, 2018:95.
4. Wolpert M, Rutter H. Using flawed, uncertain, proximate and sparse (FUPS) data in the context of complexity: learning from the case of child mental health. BMC Med 2018;16(1):82. doi: 10.1186/s12916-018-1079-6 [published Online First: 2018/06/14]
5. Farrar J. This virus isn’t going away. The only way to beat it is to work together. London: Wellcome Trust. Accessed 5th July 2020 at https://wellcome.ac.uk/news/virus-isnt-going-away-only-way-beat-it-work-together?utm_source=twitter&utm_medium=o-wellcome. 2020.
6. Fischer A, Threlfall A, Meah S, et al. The appraisal of public health interventions: an overview. Journal of Public Health 2013;35(4):488-94.
7. Lanham HJ, Leykum LK, Taylor BS, et al. How complexity science can inform scale-up and spread in health care: understanding the role of self-organization in variation across local contexts. Social Science & Medicine 2013;93:194-202.
8. Tsoukas H. Don’t simplify, complexify: From disjunctive to conjunctive theorizing in organization and management studies. Journal of management studies 2017;54(2):132-53.
9. Mouffe C. Agonistics: Thinking the world politically: Verso Books 2013.
10. Ulijaszek SJ. Models of Obesity: From Ecology to Complexity in Science and Policy (Vol. 78). Cambridge: Cambridge University Press 2017